Update app.py

app.py

@@ -1,65 +1,53 @@
 import os
 import google.generativeai as genai
 from flask import Flask, request, jsonify
-from flask_cors import CORS # Wichtig für Cross-Origin Requests von deiner Website
+from flask_cors import CORS
 
 app = Flask(__name__)
-CORS(app) # Ermöglicht Anfragen von deiner Hoststar-Domain
+CORS(app)
 
 # --- Konfiguration & Gemini Initialisierung ---
-# Dein Gemini API-Schlüssel wird als Hugging Face Space Secret übergeben
 GOOGLE_API_KEY = os.environ.get("GOOGLE_API_KEY")
 if not GOOGLE_API_KEY:
     raise ValueError("GOOGLE_API_KEY Umgebungsvariable nicht gesetzt! Bitte als HF Space Secret hinterlegen.")
 
 genai.configure(api_key=GOOGLE_API_KEY)
 
-# Initialisiere das fortschrittlichste Gemini Pro Modell für Multimodalität
-# 'gemini-1.5-pro' ist die empfohlene Wahl für umfassende Fähigkeiten.
+# Korrigierte Modellinitialisierung mit Google Search Integration
 model = genai.GenerativeModel(
     'gemini-1.5-pro',
-    # DIES IST DIE EINE KRITISCHE ZEILE. SIE MUSS EXAKT SO AUSSEHEN:
-    tools=[genai.tool_for_google_search()], # Ermöglicht Gemini die Internetrecherche bei Bedarf
+    tools=[
+        genai.Tool(
+            google_search_retrieval=genai.types.GoogleSearchRetrieval()  # Offizielle Google Search Integration
+        )
+    ],
     system_instruction="Du bist Moejra, eine hilfsbereite, geduldige und informative KI-Lernbegleitung von learn.create.repeat. Antworte immer im Stil von Moejra: unterstützend, ermutigend und auf Bildungstechnologie fokussiert. Nutze Informationen aus dem bereitgestellten Kontext (Wissensdatenbank) und bei Bedarf aus dem Internet. Wenn der Nutzer nach einem Bild fragt oder eine visuelle Idee beschreibt, generiere ein passendes Bild und erwähne es explizit. Gib sonst eine klare Textantwort."
 )
-chat = model.start_chat(history=[]) # Verwaltet den Chatverlauf für eine durchgängige Konversation
+chat = model.start_chat(history=[])
 
 # --- Wissensdatenbank (RAG) Funktion ---
 def retrieve_info_from_kb(query):
-    """
-    Diese Funktion durchsucht deine lokale Wissensdatenbank
-    (im Ordner 'knowledge_base') nach relevanten Informationen.
-    Es wird eine einfache Keyword-Suche implementiert.
-    Für eine robustere Lösung bei größeren Datenmengen,
-    sollten hier Embeddings und eine Vektordatenbank (z.B. ChromaDB, FAISS)
-    mit Tools wie LangChain oder LlamaIndex integriert werden.
-    """
     relevant_text = []
-    knowledge_base_dir = "knowledge_base" # Ordnername für deine Wissensdatenbank
+    knowledge_base_dir = "knowledge_base"
+    
     if not os.path.exists(knowledge_base_dir):
-        print(f"Warnung: Wissensdatenbank-Verzeichnis '{knowledge_base_dir}' nicht gefunden. RAG wird übersprungen.")
         return ""
 
-    # Extrahiere Schlüsselwörter aus der Anfrage (ignoriere sehr kurze Wörter)
     query_keywords = [word.lower() for word in query.split() if len(word) > 2]
 
-    # Iteriere durch alle Textdateien in der Wissensdatenbank
     for filename in os.listdir(knowledge_base_dir):
-        if filename.endswith(".txt"): # Nur Textdateien berücksichtigen
+        if filename.endswith(".txt"):
             filepath = os.path.join(knowledge_base_dir, filename)
             try:
                 with open(filepath, "r", encoding="utf-8") as f:
                     content = f.read()
-                    # Prüfe, ob mindestens eines der Schlüsselwörter im Inhalt vorkommt
                     if any(keyword in content.lower() for keyword in query_keywords):
                         relevant_text.append(content)
             except Exception as e:
-                print(f"Fehler beim Lesen der Wissensdatenbank-Datei {filename}: {e}")
+                print(f"Fehler beim Lesen der Datei {filename}: {e}")
 
-    # Kombiniere alle relevanten Textteile, getrennt durch Trennlinien
     return "\n---\n".join(relevant_text) if relevant_text else ""
 
-
 # --- API-Endpunkt für den Chat ---
 @app.route('/chat', methods=['POST'])
 def handle_chat():
@@ -67,62 +55,43 @@ def handle_chat():
     if not user_input:
         return jsonify({"error": "No text provided"}), 400
 
-    print(f"Received user input: {user_input}")
-
-    # 1. RAG: Relevante Informationen aus der Wissensdatenbank abrufen
     kb_info = retrieve_info_from_kb(user_input)
 
-    # 2. Prompt für Gemini erstellen
-    prompt_parts = [
-        f"Nutzerfrage: {user_input}",
-    ]
+    prompt_parts = [f"Nutzerfrage: {user_input}"]
     if kb_info:
-        # Füge den abgerufenen Kontext dem Prompt hinzu
-        prompt_parts.append(f"Zusätzlicher relevanter Kontext aus der Wissensdatenbank von learn.create.repeat.:\n{kb_info}")
-        # Klare Anweisung an Gemini, den Kontext zu priorisieren und Bilder zu generieren
-        prompt_parts.append("Priorisiere Informationen aus diesem Kontext. Wenn die Frage eine Bildgenerierung impliziert, erstelle ein passendes Bild und erwähne es explizit. Gib sonst eine klare, ermutigende Textantwort. Nutze deine gesamte Expertise.")
+        prompt_parts.extend([
+            f"Zusätzlicher Kontext aus learn.create.repeat Wissensdatenbank:",
+            kb_info,
+            "Priorisiere diese Informationen. Bei Bildanfragen generiere explizit ein Bild. Sei ermutigend und präzise."
+        ])
     else:
-        # Wenn kein Kontext gefunden wurde, instruiere Gemini, das allgemeine Wissen/Internet zu nutzen
-        prompt_parts.append("Nutze dein allgemeines Wissen und recherchiere bei Bedarf im Internet. Wenn die Frage eine Bildgenerierung impliziert, erstelle ein passendes Bild und erwähne es explizit. Gib sonst eine klare, ermutigende Textantwort. Nutze deine gesamte Expertise.")
-
-    response_text = ""
-    image_urls = [] # Liste für eventuell generierte Bild-URLs
+        prompt_parts.append("Nutze dein Wissen und Internetrecherche. Bei Bildanfragen generiere explizit ein Bild. Sei unterstützend.")
 
     try:
-        # Sende die Nachricht an Gemini. Das Chat-Objekt verwaltet den Verlauf.
-        gemini_response = chat.send_message(prompt_parts)
+        gemini_response = chat.send_message("\n".join(prompt_parts))
+        response_text = ""
+        image_urls = []
 
-        # Iteriere durch die Teile der Gemini-Antwort, um Text und Bilder zu extrahieren
         for part in gemini_response.candidates[0].content.parts:
             if hasattr(part, 'text'):
-                response_text += part.text # Sammle alle Textteile
+                response_text += part.text
             elif hasattr(part, 'image'):
-                # Wenn ein Bild-Part vorhanden ist, extrahiere die Daten.
-                # Gemini gibt generierte Bilder oft als Base64-kodierte Daten zurück.
                 if hasattr(part.image, 'base64'):
                     image_urls.append(f"data:image/jpeg;base64,{part.image.base64}")
                 elif hasattr(part.image, 'url'):
-                    # Weniger häufig direkt als URL, aber als Fallback enthalten
                     image_urls.append(part.image.url)
-                # Falls Gemini den Text einer Bild-URL in den Text schreibt (statt als separate Part),
-                # müsste dieser hier zusätzlich geparst werden (Regex etc.).
-                # Die aktuelle Implementierung geht davon aus, dass Gemini Image-Parts liefert.
 
-        print(f"Gemini response text: {response_text}, images count: {len(image_urls)}")
+        return jsonify({
+            "response_text": response_text.strip(),
+            "image_urls": image_urls
+        })
 
     except Exception as e:
-        print(f"Fehler beim Aufruf der Gemini API: {e}")
-        response_text = "Entschuldige, ich konnte deine Anfrage leider nicht vollständig bearbeiten. Bitte versuch es später noch einmal oder formuliere deine Frage anders."
-        # Füge optional detailliertere Fehlerbehandlung hinzu, z.B. für Safety-Filter
-        if hasattr(gemini_response, 'prompt_feedback') and gemini_response.prompt_feedback.block_reason:
-            response_text = "Entschuldige, diese Anfrage konnte ich aus Sicherheitsgründen nicht bearbeiten. Bitte formuliere sie anders."
-
-    # Sende die gesammelten Text- und Bild-Informationen zurück an den Browser
-    return jsonify({
-        "response_text": response_text,
-        "image_urls": image_urls
-    })
-
-# Starte die Flask-App. Hugging Face Spaces expose 7860.
+        print(f"Kritischer Fehler: {str(e)}")
+        return jsonify({
+            "response_text": "🤖 Hoppla! Bei der Verarbeitung ist ein Fehler aufgetreten. Bitte versuche es später noch einmal.",
+            "image_urls": []
+        }), 500
+
 if __name__ == '__main__':
-    app.run(host='0.0.0.0', port=7860)
+    app.run(host='0.0.0.0', port=7860)