Upload 2 files

app.py

@@ -0,0 +1,394 @@
+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()

requirements.txt

@@ -0,0 +1,11 @@
+# Kräv en äldre huggingface_hub (<0.12) som fortfarande har cached_download
+huggingface-hub==0.11.1
+
+# Din version av sentence-transformers som anropar cached_download
+sentence-transformers==2.2.2
+
+# Resten av beroenden du behöver:
+pandas==1.5.3
+torch==1.13.1
+gradio==3.16.2
+# ...