Update app.py

app.py

@@ -1,394 +1,213 @@
-import os
-import pandas as pd
-import torch
-import gradio as gr
-import textwrap  # för chunk-exempel
-
-from huggingface_hub import login, Repository
-from sentence_transformers import SentenceTransformer, util
-
-# ====================================================
-#              KONFIGURATION OCH INIT
-# ====================================================
-HF_TOKEN = os.getenv("HUGGINGFACE_TOKEN")  # Miljövariabel med din Hugging Face-token
-if not HF_TOKEN:
-    raise ValueError("HUGGINGFACE_TOKEN miljövariabel saknas!")
-
-login(token=HF_TOKEN)
-
-# Ange var du har din Space och CSV
-REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"  # Exempel
-REPO_LOCAL_PATH = "chatbot_faq_repo"
-FAQ_CSV_PATH = "faq_städad_utf8_fixed.csv"
-
-# Klona från Space:en (OBS: repo_type="space")
-repo = Repository(
-    local_dir=REPO_LOCAL_PATH,
-    clone_from=REPO_ID,
-    repo_type="space",
-    use_auth_token=HF_TOKEN
-)
-
-# Ladda FAQ
-faq_path = os.path.join(REPO_LOCAL_PATH, FAQ_CSV_PATH)
-try:
-    df = pd.read_csv(faq_path, sep=";")
-    df.dropna(subset=["Fråga", "Svar"], inplace=True)
-except Exception as e:
-    raise FileNotFoundError(f"Kunde inte ladda FAQ-filen: {str(e)}")
-
-# -- Standardparametrar vi kan ändra i Admin-UI --
-CHUNK_SIZE = 0    # 0 innebär ingen chunkning som default
-TEMPERATURE = 0.0 # "Heat param", 0 = ingen slump, 1 = maximal slump (demonstration)
-
-# Ladda modell
-model_name = "sentence-transformers/all-MiniLM-L6-v2"
-model = SentenceTransformer(model_name)
-
-# ------------------------------------------------
-#   ENKEL CHUNKING (illustrativt exempel)
-# ------------------------------------------------
-def chunk_text(text: str, chunk_size: int):
-    """
-    Delar upp en textsträng i bitar om 'chunk_size' tecken.
-    Returnerar en lista med textchunkar.
-    Om chunk_size <= 0, returneras texten som en enda bit.
-    """
-    if chunk_size <= 0:
-        return [text]
-    # Använder textwrap.wrap eller en egen slicing:
-    wrapped = textwrap.wrap(text, width=chunk_size)
-    return wrapped
-
-def build_faq_embeddings(df: pd.DataFrame, chunk_size: int):
-    """
-    Bygger en lista med (fråga, svar, kategori) men chunkar
-    svaret om chunk_size > 0. Returnerar:
-      - en DataFrame expanded_df
-      - embeddings (tensor)
-    Varje "rad" i expanded_df representerar en chunk av svaret.
-    """
-    all_rows = []
-    for _, row in df.iterrows():
-        fråga = row["Fråga"]
-        svar = row["Svar"]
-        kategori = row["Kategori"]
-        # Chunka svaret
-        svar_chunks = chunk_text(str(svar), chunk_size)
-        # Skapa en ny rad för varje chunk
-        for chunk in svar_chunks:
-            all_rows.append((fråga, chunk, kategori))
-
-    expanded_df = pd.DataFrame(all_rows, columns=["Fråga", "Svar_chunk", "Kategori"])
-    # Nu skapar vi embeddings baserat på "Fråga + Svar_chunk" eller bara "Fråga"?
-    # Här visar vi ett exempel där vi enbart använder FAQ-frågan som embed.
-    # Om du vill även ta med chunkade svaret i embeddings kan du ändra här.
-    faq_embeddings = model.encode(expanded_df["Fråga"].tolist(), convert_to_tensor=True)
-    return expanded_df, faq_embeddings
-
-# Bygg initial embeddings
-expanded_df, faq_embeddings = build_faq_embeddings(df, CHUNK_SIZE)
-
-# ====================================================
-#          FUNKTIONER FÖR SÖK & FAQ-HANTERING
-# ====================================================
-def uppdatera_parametrar(chunk_size, temperature):
-    """
-    Uppdaterar våra globala parametrar för chunkning och "temperature".
-    Bygger om embeddings om chunk_size ändras.
-    """
-    global CHUNK_SIZE, TEMPERATURE, df, expanded_df, faq_embeddings
-
-    # Sätt nya värden
-    CHUNK_SIZE = int(chunk_size)
-    TEMPERATURE = float(temperature)
-
-    # Bygg om embeddings med nya chunk_size
-    expanded_df, faq_embeddings = build_faq_embeddings(df, CHUNK_SIZE)
-
-    return f"Parametrar uppdaterade:\n- CHUNK_SIZE={CHUNK_SIZE}\n- TEMPERATURE={TEMPERATURE}"
-
-def sök_faq(question, top_k, threshold):
-    """
-    Söker i expanded_df med semantisk likhet.
-    'temperature' används här som en "slump-faktor" (demonstration).
-     - En låg temperature -> sortera normalt efter cos sim
-     - En högre temperature -> slumpa lite i top-k
-    Returnerar en DataFrame med max top_k rader.
-    """
-    question = question.strip()
-    if not question:
-        return pd.DataFrame(columns=["Liknande FAQ-fråga", "Svar_chunk", "Kategori", "Confidence"])
-
-    # Skapa embedding för query
-    query_emb = model.encode(question, convert_to_tensor=True)
-    cos_scores = util.cos_sim(query_emb, faq_embeddings)[0]
-
-    # Hämta index och scores
-    # Ex: top_k = 5
-    top_results = torch.topk(cos_scores, k=int(top_k))
-    indices = top_results.indices.tolist()
-    scores = top_results.values.tolist()
-
-    # Om TEMPERATURE > 0, "skaka om" listan lite (demonstrationssyfte).
-    # Ju högre temperatur, desto större slumpmoment i ordningen.
-    # (OBS: Detta är inte en "officiell" generativ temperatur-implementation,
-    # men visar hur man kan introducera variation.)
-    if TEMPERATURE > 0:
-        import random
-        pairs = list(zip(indices, scores))
-        # slumpa om med en vikt av 'TEMPERATURE'
-        # t.ex. multiplicera score med en slumpfaktor
-        new_pairs = []
-        for (idx, sc) in pairs:
-            random_factor = 1.0 + (random.random() - 0.5) * TEMPERATURE
-            new_pairs.append((idx, sc * random_factor))
-        # sortera om
-        new_pairs.sort(key=lambda x: x[1], reverse=True)
-        indices = [p[0] for p in new_pairs]
-        scores = [p[1] for p in new_pairs]
-
-    data = []
-    for i, (idx, score) in enumerate(zip(indices, scores)):
-        if score >= threshold:
-            row = expanded_df.iloc[idx]
-            data.append({
-                "Liknande FAQ-fråga": row["Fråga"],
-                "Svar_chunk": row["Svar_chunk"],
-                "Kategori": row["Kategori"],
-                "Confidence": round(float(score), 3)
-            })
-
-    # Begränsa faktiskt antal rader till top_k
-    data = data[:int(top_k)]
-    results_df = pd.DataFrame(data)
-    return results_df
-
-def hitta_topp3_förslag(fråga):
-    """
-    En enkel variant som alltid hämtar top_k=3, threshold=0.0
-    (används i de snabba sökexemplen).
-    """
-    return sök_faq(fråga, top_k=3, threshold=0.0)
-
-def lägg_till_faq(fråga, svar, kategori):
-    """
-    Lägger till en ny rad i FAQ-DataFrame och pushar ändringen.
-    """
-    global df, expanded_df, faq_embeddings
-
-    fråga = fråga.strip()
-    svar = svar.strip()
-    kategori = kategori.strip()
-
-    if not fråga or not svar or not kategori:
-        return "Fråga, svar och kategori får inte vara tomma!"
-
-    try:
-        # Lägg till rad
-        ny_rad = pd.DataFrame([[fråga, svar, kategori]], columns=["Fråga", "Svar", "Kategori"])
-        df = pd.concat([df, ny_rad], ignore_index=True)
-
-        # Spara CSV
-        df.to_csv(faq_path, index=False, sep=";")
-
-        # Bygg nya embeddings med nya df
-        expanded_df, faq_embeddings = build_faq_embeddings(df, CHUNK_SIZE)
-
-        # Git commit & push
-        repo.git_add()
-        repo.git_commit(f"Lade till FAQ: {fråga[:50]}...")
-        repo.git_push()
-
-        return "Fråga tillagd och synkad med Hugging Face!"
-    except Exception as e:
-        return f"Fel vid uppdatering: {str(e)}"
-
-def visa_senaste_faq(antal=10):
-    """Returnerar de sista N raderna från FAQ-DataFrame."""
-    return df.tail(antal)
-
-def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
-    """
-    Uppdaterar en befintlig rad (matchar på 'gammal_fråga').
-    """
-    global df, expanded_df, faq_embeddings
-    gammal_fråga = gammal_fråga.strip()
-    nytt_svar = nytt_svar.strip()
-    ny_kategori = ny_kategori.strip()
-
-    if not gammal_fråga:
-        return "Ingen fråga vald."
-
-    match_index = df.index[df["Fråga"] == gammal_fråga]
-    if len(match_index) == 0:
-        return "Ingen matchande FAQ-fråga hittad."
-
-    # Uppdatera
-    if nytt_svar:
-        df.loc[match_index, "Svar"] = nytt_svar
-    if ny_kategori:
-        df.loc[match_index, "Kategori"] = ny_kategori
-
-    # Spara & uppdatera embeddings
-    try:
-        df.to_csv(faq_path, index=False, sep=";")
-        expanded_df, faq_embeddings = build_faq_embeddings(df, CHUNK_SIZE)
-        repo.git_add()
-        repo.git_commit(f"Uppdaterade FAQ: {gammal_fråga[:50]}...")
-        repo.git_push()
-        return f"FAQ uppdaterad: {gammal_fråga}"
-    except Exception as e:
-        return f"Fel vid uppdatering: {str(e)}"
-
-def ta_bort_faq(fråga_att_radera):
-    """
-    Tar bort en FAQ-rad baserat på exakt match på 'fråga'.
-    """
-    global df, expanded_df, faq_embeddings
-    fråga_att_radera = fråga_att_radera.strip()
-    if not fråga_att_radera:
-        return "Ingen fråga vald."
-
-    match_index = df.index[df["Fråga"] == fråga_att_radera]
-    if len(match_index) == 0:
-        return "Ingen matchande FAQ-fråga hittad."
-
-    # Ta bort rad
-    df.drop(match_index, inplace=True)
-
-    # Spara, uppdatera embeddings
-    try:
-        df.to_csv(faq_path, index=False, sep=";")
-        expanded_df, faq_embeddings = build_faq_embeddings(df, CHUNK_SIZE)
-        repo.git_add()
-        repo.git_commit(f"Raderade FAQ: {fråga_att_radera[:50]}...")
-        repo.git_push()
-        return f"FAQ borttagen: {fråga_att_radera}"
-    except Exception as e:
-        return f"Fel vid borttagning: {str(e)}"
-
-
-# ====================================================
-#                GRADIO-GRÄNSSNITT
-# ====================================================
-with gr.Blocks() as demo:
-    gr.Markdown("# ChargeNode Chatbot – Utvecklarläge\n"
-                "Ett admin-UI där du kan hantera FAQ-poster, testa sökning och "
-                "leka med parametrar (chunk size & \"heat\").")
-
-    # =======================
-    # (A) Parametrar
-    # =======================
-    with gr.Accordion("Parametrar", open=True):
-        gr.Markdown("Justera chunk-storlek och \"temperature\" (heat).")
-        chunk_slider = gr.Slider(minimum=0, maximum=200, step=10, value=0,
-                                 label="CHUNK_SIZE (tecken per bit). 0 = av.")
-        temp_slider = gr.Slider(minimum=0.0, maximum=1.0, step=0.05, value=0.0,
-                                label="TEMPERATURE (heat). 0 = ingen slump, 1 = max slump.")
-        uppdatera_btn = gr.Button("Uppdatera parametrar")
-        param_output = gr.Textbox(label="Status")
-
-        uppdatera_btn.click(
-            fn=uppdatera_parametrar,
-            inputs=[chunk_slider, temp_slider],
-            outputs=param_output
-        )
-
-    # =======================
-    # (B) SÖK I FAQ
-    # =======================
-    with gr.Accordion("Sök i FAQ", open=False):
-        gr.Markdown("Skriv in en fråga och se topp K träffar.")
-        fråga_input = gr.Textbox(label="Din fråga", placeholder="Ex: Var finns närmaste laddstation?")
-        topk_slider = gr.Slider(minimum=1, maximum=10, step=1, value=3, label="Antal toppträffar (top_k)")
-        threshold_slider = gr.Slider(minimum=0.0, maximum=1.0, step=0.05, value=0.0, label="Confidence threshold")
-        sök_knapp = gr.Button("Sök")
-        sök_result = gr.Dataframe(headers=["Liknande FAQ-fråga", "Svar_chunk", "Kategori", "Confidence"],
-                                  label="Sökresultat")
-
-        sök_knapp.click(
-            fn=sök_faq,
-            inputs=[fråga_input, topk_slider, threshold_slider],
-            outputs=sök_result
-        )
-
-    # =======================
-    # (C) KORTVARIANTE: Hitta topp 3
-    # =======================
-    with gr.Accordion("Enkel sökning (topp 3)", open=False):
-        gr.Markdown("Här kan du snabbt få topp 3 träffar (threshold=0) utan att ställa in parametrar.")
-        fråga_input2 = gr.Textbox(label="Din fråga", placeholder="Ex: Hur ändrar jag lösenord?")
-        knapp2 = gr.Button("Hämta topp 3")
-        result2 = gr.Dataframe(label="Topp 3 förslag")
-        knapp2.click(fn=hitta_topp3_förslag, inputs=fråga_input2, outputs=result2)
-
-    # =======================
-    # (D) Lägg till ny FAQ-rad
-    # =======================
-    with gr.Accordion("Lägg till en ny FAQ-rad", open=False):
-        ny_fråga = gr.Textbox(label="Ny fråga", placeholder="Ex: Hur registrerar jag ett konto?")
-        nytt_svar = gr.Textbox(label="Nytt svar", placeholder="Skriv ditt svar här...")
-        ny_kategori = gr.Textbox(label="Ny kategori", placeholder="Ex: Konto")
-
-        lägg_till_knapp = gr.Button("Lägg till i FAQ")
-        lägg_till_output = gr.Textbox(label="Status")
-
-        def clear_add_fields():
-            return "", "", ""
-
-        reset_ny = gr.Button("Rensa fält")
-
-        lägg_till_knapp.click(
-            fn=lägg_till_faq,
-            inputs=[ny_fråga, nytt_svar, ny_kategori],
-            outputs=lägg_till_output
-        )
-        reset_ny.click(
-            fn=clear_add_fields,
-            inputs=[],
-            outputs=[ny_fråga, nytt_svar, ny_kategori]
-        )
-
-    # =======================
-    # (E) Redigera/ta bort FAQ
-    # =======================
-    with gr.Accordion("Redigera eller ta bort befintlig FAQ", open=False):
-        befintliga_frågor = gr.Dropdown(choices=df["Fråga"].tolist(),
-                                        label="Välj en befintlig fråga")
-        nytt_svar_edit = gr.Textbox(label="Nytt svar (valfritt)")
-        ny_kategori_edit = gr.Textbox(label="Ny kategori (valfritt)")
-        uppdatera_btn2 = gr.Button("Uppdatera vald FAQ")
-        uppdatera_output = gr.Textbox(label="Status")
-
-        radera_btn = gr.Button("Ta bort vald FAQ")
-        radera_output = gr.Textbox(label="Status")
-
-        uppdatera_btn2.click(
-            fn=uppdatera_faq,
-            inputs=[befintliga_frågor, nytt_svar_edit, ny_kategori_edit],
-            outputs=uppdatera_output
-        )
-        radera_btn.click(
-            fn=ta_bort_faq,
-            inputs=befintliga_frågor,
-            outputs=radera_output
-        )
-
-    # =======================
-    # (F) Visa senaste FAQ-poster
-    # =======================
-    with gr.Accordion("Visa senaste FAQ-poster", open=False):
-        visa_btn = gr.Button("Visa senaste 10")
-        logg_output = gr.Dataframe(label="Sista 10 FAQ-rader")
-        visa_btn.click(fn=visa_senaste_faq, inputs=[], outputs=logg_output)
-
-    gr.Markdown("---")
-    gr.Markdown("**OBS:** Detta skript använder en \"Repository\"-klass som är på väg att fasas ut "
-                "i huggingface_hub. Det fungerar i dagsläget, men vill du framöver undvika detta "
-                "kan du gå över till HTTP-baserade metoder för att ladda upp/ned filer. "
-                "Se Hugging Face-dokumentationen för mer info.")
-
-# Starta Gradio
-if __name__ == "__main__":
-    demo.launch()
+import os
+import pandas as pd
+import torch
+import gradio as gr
+
+from huggingface_hub import login, Repository
+from sentence_transformers import SentenceTransformer, util
+
+# ================================
+#      KONFIG & INIT
+# ================================
+HF_TOKEN = os.getenv("HUGGINGFACE_TOKEN")
+if not HF_TOKEN:
+    raise ValueError("HUGGINGFACE_TOKEN miljövariabel saknas!")
+
+login(token=HF_TOKEN)
+
+REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"  # Exempel
+REPO_LOCAL_PATH = "chatbot_faq_repo"
+FAQ_CSV_PATH = "faq_städad_utf8_fixed.csv"
+
+repo = Repository(
+    local_dir=REPO_LOCAL_PATH,
+    clone_from=REPO_ID,
+    repo_type="space",       # Viktigt om det är en Space
+    use_auth_token=HF_TOKEN
+)
+
+faq_path = os.path.join(REPO_LOCAL_PATH, FAQ_CSV_PATH)
+try:
+    df = pd.read_csv(faq_path, sep=";")
+    df.dropna(subset=["Fråga", "Svar"], inplace=True)
+except Exception as e:
+    raise FileNotFoundError(f"Kunde inte ladda FAQ-filen: {str(e)}")
+
+# Ladda Sentence Transformer
+model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
+
+# Skapa embeddings av alla FAQ-frågor en gång
+faq_questions = df["Fråga"].tolist()
+faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
+
+
+# ================================
+#   HJÄLPFUNKTIONER
+# ================================
+def uppdatera_embeddings():
+    """
+    Uppdatera embeddings efter att FAQ-DataFrame har ändrats.
+    """
+    global faq_questions, faq_embeddings, df
+    faq_questions = df["Fråga"].tolist()
+    faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
+
+def sök_faq(fråga):
+    """
+    Gör en enkel semantisk sökning i FAQ och returnerar topp 3 resultat.
+    """
+    fråga = fråga.strip()
+    if not fråga:
+        return pd.DataFrame(columns=["Liknande fråga", "Svar", "Kategori", "Confidence"])
+
+    # Skapa embedding för query
+    query_emb = model.encode(fråga, convert_to_tensor=True)
+    cos_scores = util.cos_sim(query_emb, faq_embeddings)[0]
+
+    # Hämta topp 3
+    top_results = torch.topk(cos_scores, k=3)
+    indices = top_results.indices.tolist()
+    scores = top_results.values.tolist()
+
+    data = []
+    for idx, score in zip(indices, scores):
+        row = df.iloc[idx]
+        data.append({
+            "Liknande fråga": row["Fråga"],
+            "Svar": row["Svar"],
+            "Kategori": row["Kategori"],
+            "Confidence": round(float(score), 3)
+        })
+    return pd.DataFrame(data)
+
+def lägg_till_faq(fråga, svar, kategori):
+    """
+    Lägger till en ny fråga i df, sparar och pushar, uppdaterar embeddings.
+    """
+    global df
+    fråga = fråga.strip()
+    svar = svar.strip()
+    kategori = kategori.strip()
+
+    if not fråga or not svar or not kategori:
+        return "Fråga, svar och kategori får inte vara tomma!"
+
+    try:
+        # Lägg till i DataFrame
+        ny_rad = pd.DataFrame([[fråga, svar, kategori]], columns=["Fråga", "Svar", "Kategori"])
+        df = pd.concat([df, ny_rad], ignore_index=True)
+
+        # Spara och pusha
+        df.to_csv(faq_path, index=False, sep=";")
+        uppdatera_embeddings()  # Skapa nya embeddings
+
+        repo.git_add()
+        repo.git_commit(f"Lade till FAQ: {fråga[:50]}...")
+        repo.git_push()
+
+        return "Fråga tillagd och synkad med Hugging Face!"
+    except Exception as e:
+        return f"Fel vid uppdatering: {str(e)}"
+
+def visa_senaste_faq(antal=10):
+    return df.tail(antal)
+
+def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
+    global df
+    gammal_fråga = gammal_fråga.strip()
+    nytt_svar = nytt_svar.strip()
+    ny_kategori = ny_kategori.strip()
+
+    if not gammal_fråga:
+        return "Ingen fråga vald."
+
+    match_index = df.index[df["Fråga"] == gammal_fråga]
+    if len(match_index) == 0:
+        return "Ingen matchande FAQ-fråga hittad."
+
+    if nytt_svar:
+        df.loc[match_index, "Svar"] = nytt_svar
+    if ny_kategori:
+        df.loc[match_index, "Kategori"] = ny_kategori
+
+    try:
+        df.to_csv(faq_path, index=False, sep=";")
+        uppdatera_embeddings()
+
+        repo.git_add()
+        repo.git_commit(f"Uppdaterade FAQ: {gammal_fråga[:50]}...")
+        repo.git_push()
+        return "FAQ uppdaterad!"
+    except Exception as e:
+        return f"Fel vid uppdatering: {str(e)}"
+
+def ta_bort_faq(fråga_att_radera):
+    global df
+    fråga_att_radera = fråga_att_radera.strip()
+    if not fråga_att_radera:
+        return "Ingen fråga vald."
+
+    match_index = df.index[df["Fråga"] == fråga_att_radera]
+    if len(match_index) == 0:
+        return "Ingen matchande FAQ-fråga hittad."
+
+    df.drop(match_index, inplace=True)
+
+    try:
+        df.to_csv(faq_path, index=False, sep=";")
+        uppdatera_embeddings()
+
+        repo.git_add()
+        repo.git_commit(f"Raderade FAQ: {fråga_att_radera[:50]}...")
+        repo.git_push()
+        return f"FAQ borttagen: {fråga_att_radera}"
+    except Exception as e:
+        return f"Fel vid borttagning: {str(e)}"
+
+
+# ================================
+#      GRADIO-GRÄNSSNITT
+# ================================
+with gr.Blocks() as demo:
+    gr.Markdown("# Enkel FAQ Admin")
+    gr.Markdown("Administrera FAQ-poster, sök i befintliga frågor, lägg till, uppdatera eller ta bort.")
+
+    # ---- Sök i FAQ ----
+    gr.Markdown("## Sök i FAQ")
+    inp_question = gr.Textbox(label="Din fråga", placeholder="Ex: Hur startar jag en laddning?")
+    btn_search = gr.Button("Sök")
+    out_search = gr.Dataframe(label="Topp 3 resultat")
+
+    btn_search.click(fn=sök_faq, inputs=inp_question, outputs=out_search)
+
+    # ---- Lägg till FAQ ----
+    gr.Markdown("## Lägg till FAQ")
+    add_question = gr.Textbox(label="Ny fråga")
+    add_answer = gr.Textbox(label="Nytt svar")
+    add_cat = gr.Textbox(label="Ny kategori")
+    btn_add = gr.Button("Lägg till")
+    out_add = gr.Textbox(label="Status")
+    btn_add.click(fn=lägg_till_faq, inputs=[add_question, add_answer, add_cat], outputs=out_add)
+
+    # ---- Redigera / Ta bort ----
+    gr.Markdown("## Redigera / Ta bort FAQ")
+    existing_quests = gr.Dropdown(choices=df["Fråga"].tolist(), label="Befintliga frågor")
+    new_answer = gr.Textbox(label="Nytt svar (valfritt)")
+    new_cat = gr.Textbox(label="Ny kategori (valfritt)")
+    btn_update = gr.Button("Uppdatera")
+    out_update = gr.Textbox(label="Status")
+
+    btn_delete = gr.Button("Ta bort")
+    out_delete = gr.Textbox(label="Status")
+
+    btn_update.click(fn=uppdatera_faq, inputs=[existing_quests, new_answer, new_cat], outputs=out_update)
+    btn_delete.click(fn=ta_bort_faq, inputs=existing_quests, outputs=out_delete)
+
+    # ---- Visa senaste ----
+    gr.Markdown("## Visa senaste FAQ-poster")
+    btn_show = gr.Button("Visa senaste 10")
+    out_log = gr.Dataframe(label="Senaste poster")
+    btn_show.click(fn=visa_senaste_faq, inputs=[], outputs=out_log)
+
+if __name__ == "__main__":
+    demo.launch()