{"id":3931,"date":"2024-12-18T17:07:43","date_gmt":"2024-12-18T17:07:43","guid":{"rendered":"https:\/\/yininit.nl\/?p=3931"},"modified":"2024-12-19T18:28:50","modified_gmt":"2024-12-19T18:28:50","slug":"kba-implementatie-alles","status":"publish","type":"post","link":"https:\/\/yininit.nl\/index.php\/2024\/12\/18\/kba-implementatie-alles\/","title":{"rendered":"KBA Implementatie (alles)"},"content":{"rendered":"\n

Hier is een complete samenvatting<\/strong> van alles wat we gedaan hebben om je KBA (Knowledge Base Agent)<\/strong> te laten draaien met Python<\/strong>, Flask<\/strong>, FAISS<\/strong>, en Render<\/strong>.<\/p>\n\n\n\n

\n\n\n\n

Complete Samenvatting: KBA-project Setup<\/strong><\/h1>\n\n\n\n

1. Benodigde bestanden<\/strong><\/h2>\n\n\n\n

a. Bestandstructuur<\/strong><\/h3>\n\n\n\n

Je projectstructuur moet er als volgt uitzien:<\/p>\n\n\n\n

plaintext<\/p>\n\n\n\n

Code kopi\u00ebren<\/p>\n\n\n\n

kba-project\/ \u2502-- app.py # Hoofdbestand met Flask-code \u2502-- requirements.txt # Lijst met afhankelijkheden \u2502-- Procfile # Start de app op Render \u2502-- .gitignore # Vermijd node_modules, virtualenv \u2502-- static\/ # Optioneel, voor statische bestanden (HTML\/CSS) \u2502-- uploads\/ # Optioneel, map om bestanden te uploaden<\/code><\/p>\n\n\n\n

\n\n\n\n

2. De Python Code (app.py)<\/strong><\/h2>\n\n\n\n

Maak een bestand app.py<\/code><\/strong> en kopieer de volgende code erin:<\/p>\n\n\n\n

python<\/p>\n\n\n\n

Code kopi\u00ebren<\/p>\n\n\n\n

from flask import Flask, request, jsonify from flask_cors import CORS from sentence_transformers import SentenceTransformer from langchain_community.vectorstores import FAISS from langchain.embeddings.base import Embeddings from langchain.docstore.document import Document from transformers import pipeline import os # Flask-app configuratie app = Flask(__name__) CORS(app) # 1. Wrapper voor SentenceTransformer class SentenceTransformerWrapper(Embeddings): def __init__(self, model_name=\"sentence-transformers\/all-MiniLM-L6-v2\"): self.model = SentenceTransformer(model_name) def embed_documents(self, texts): return self.model.encode(texts, show_progress_bar=False) def embed_query(self, query): return self.model.encode([query], show_progress_bar=False)[0] embeddings_model = SentenceTransformerWrapper() # 2. Initialiseer BLOOMZ pipeline nlp_pipeline = pipeline(\"text-generation\", model=\"google\/flan-t5-small\") # 3. Vooraf ingestelde documenten documents = [ Document(page_content=\"Er wordt een lunchpauze van 30 minuten opgenomen tussen 12:00 en 13:30 uur.\"), Document(page_content=\"Overuren worden geregistreerd in het HR-portaal.\"), Document(page_content=\"Overuren worden gecompenseerd met 1,5 keer het normale uurtarief.\"), ] # 4. Maak FAISS vectorstore document_texts = [doc.page_content for doc in documents] vectorstore = FAISS.from_texts(document_texts, embeddings_model) def retrieve_documents(vraag, k=3): results = vectorstore.similarity_search(vraag, k=k) return [doc.page_content for doc in results] def generate_answer(vraag, context): prompt = f\"Gebruik de onderstaande informatie om de vraag te beantwoorden:\\n{context}\\n\\nVraag: {vraag}\\nAntwoord:\" result = nlp_pipeline(prompt, max_length=200, truncation=True, num_return_sequences=1) return result[0]['generated_text'] @app.route(\"\/kba\", methods=[\"POST\"]) def answer_question(): if not request.is_json: return jsonify({\"error\": \"Verwacht JSON-data\"}), 400 data = request.get_json() vraag = data.get(\"vraag\", \"\") if not vraag: return jsonify({\"error\": \"Geen vraag ontvangen.\"}), 400 relevante_documenten = retrieve_documents(vraag) context = \"\\n\".join(relevante_documenten) antwoord = generate_answer(vraag, context) return jsonify({\"vraag\": vraag, \"antwoord\": antwoord}) if __name__ == \"__main__\": from waitress import serve port = int(os.environ.get(\"PORT\", 5000)) print(f\"Running production server on port {port}...\") serve(app, host=\"0.0.0.0\", port=port)<\/code><\/p>\n\n\n\n

\n\n\n\n

3. Dependencies: requirements.txt<\/strong><\/h2>\n\n\n\n

Maak een bestand genaamd requirements.txt<\/code><\/strong> en voeg de volgende afhankelijkheden toe:<\/p>\n\n\n\n

plaintext<\/p>\n\n\n\n

Code kopi\u00ebren<\/p>\n\n\n\n

flask flask-cors waitress sentence-transformers langchain langchain-community transformers faiss-cpu torch --index-url https:\/\/download.pytorch.org\/whl\/cpu<\/code><\/p>\n\n\n\n

\n\n\n\n

4. Render Startinstellingen: Procfile<\/strong><\/h2>\n\n\n\n

Maak een bestand Procfile<\/code><\/strong> (zonder extensie) en voeg dit toe:<\/p>\n\n\n\n

plaintext<\/p>\n\n\n\n

Code kopi\u00ebren<\/p>\n\n\n\n

web: python app.py<\/code><\/p>\n\n\n\n

\n\n\n\n

5. Git Setup en Commit<\/strong><\/h2>\n\n\n\n
    \n
  1. Initialiseer Git<\/strong> in je projectmap:bashCode kopi\u00ebrengit init<\/code><\/li>\n\n\n\n
  2. Voeg alle bestanden toe<\/strong>:bashCode kopi\u00ebrengit add .<\/code><\/li>\n\n\n\n
  3. Commit je wijzigingen<\/strong>:bashCode kopi\u00ebrengit commit -m \"Initial KBA project setup\"<\/code><\/li>\n\n\n\n
  4. Push naar GitHub<\/strong>:\n