Update app.py

app.py

@@ -1,33 +1,41 @@
-#kicker
-
 import os
 import pandas as pd
 import torch
 import gradio as gr
-
 from huggingface_hub import login, Repository
 from sentence_transformers import SentenceTransformer, util
 
-# ================================
+# -------------------------------
+#   SÄTT GLOBAL GIT-IDENTITET
+# -------------------------------
+# Dessa kommandon ställer in din Git-identitet globalt.
+os.system('git config --global user.email "niklas.berg@chargenode.eu"')
+os.system('git config --global user.name "Niklas Berg"')
+
+# -------------------------------
 #      KONFIG & INIT
-# ================================
+# -------------------------------
 HF_TOKEN = os.getenv("HUGGINGFACE_TOKEN")
 if not HF_TOKEN:
     raise ValueError("HUGGINGFACE_TOKEN miljövariabel saknas!")
 
+# Logga in mot Hugging Face
 login(token=HF_TOKEN)
 
-REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"  # Exempel
+# Repo-detaljer (ändra REPO_ID om det behövs)
+REPO_ID = "ChargeNodeEurope/Chatbot_4o_mini"  
 REPO_LOCAL_PATH = "chatbot_faq_repo"
-FAQ_XLSX_PATH = "FAQ stadat.xlsx"
+FAQ_XLSX_PATH = "FAQ stadat.xlsx"  # Excel-filen som innehåller FAQ-informationen
 
+# Klona repo:t (repo_type="space" eftersom det är en Hugging Face Space)
 repo = Repository(
     local_dir=REPO_LOCAL_PATH,
     clone_from=REPO_ID,
-    repo_type="space",       # Viktigt om det är en Space
+    repo_type="space",
     use_auth_token=HF_TOKEN
 )
 
+# Sökväg till FAQ Excel-filen
 faq_path = os.path.join(REPO_LOCAL_PATH, FAQ_XLSX_PATH)
 try:
     df = pd.read_excel(faq_path)
@@ -35,38 +43,39 @@ try:
 except Exception as e:
     raise FileNotFoundError(f"Kunde inte ladda FAQ-filen: {str(e)}")
 
-# Ladda Sentence Transformer
+# Ladda Sentence Transformer-modellen för att skapa semantiska embeddings
 model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
 
-# Skapa embeddings av alla FAQ-frågor en gång
+# Skapa embeddings för alla FAQ-frågor
 faq_questions = df["Fråga"].tolist()
 faq_embeddings = model.encode(faq_questions, convert_to_tensor=True)
 
 
-# ================================
-#   HJÄLPFUNKTIONER
-# ================================
+# -------------------------------
+#      HJÄLPFUNKTIONER
+# -------------------------------
 def uppdatera_embeddings():
     """
-    Uppdatera embeddings efter att FAQ-DataFrame har ändrats.
+    Uppdaterar FAQ-frågornas embeddings efter att 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.
+    Utför en semantisk sökning i FAQ och returnerar de tre bästa resultaten.
     """
     fråga = fråga.strip()
     if not fråga:
         return pd.DataFrame(columns=["Liknande fråga", "Svar", "Kategori", "Confidence"])
 
-    # Skapa embedding för query
+    # Skapa embedding för användarens fråga
     query_emb = model.encode(fråga, convert_to_tensor=True)
     cos_scores = util.cos_sim(query_emb, faq_embeddings)[0]
 
-    # Hämta topp 3
+    # Hämta de tre högsta resultaten
     top_results = torch.topk(cos_scores, k=3)
     indices = top_results.indices.tolist()
     scores = top_results.values.tolist()
@@ -82,9 +91,10 @@ def sök_faq(fråga):
         })
     return pd.DataFrame(data)
 
+
 def lägg_till_faq(fråga, svar, kategori):
     """
-    Lägger till en ny fråga i df, sparar och pushar, uppdaterar embeddings.
+    Lägger till en ny FAQ-post, sparar ändringar, pushar till repo:t och uppdaterar embeddings.
     """
     global df
     fråga = fråga.strip()
@@ -95,14 +105,15 @@ def lägg_till_faq(fråga, svar, kategori):
         return "Fråga, svar och kategori får inte vara tomma!"
 
     try:
-        # Lägg till i DataFrame
+        # Lägg till posten 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
+        # Spara ändringarna till Excel-filen
         df.to_excel(faq_path, index=False)
-        uppdatera_embeddings()  # Skapa nya embeddings
+        uppdatera_embeddings()
 
+        # Lägg till, commit och push med Git
         repo.git_add()
         repo.git_commit(f"Lade till FAQ: {fråga[:50]}...")
         repo.git_push()
@@ -111,10 +122,18 @@ def lägg_till_faq(fråga, svar, kategori):
     except Exception as e:
         return f"Fel vid uppdatering: {str(e)}"
 
+
 def visa_senaste_faq(antal=10):
+    """
+    Returnerar de senaste 'antal' FAQ-posterna.
+    """
     return df.tail(antal)
 
+
 def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
+    """
+    Uppdaterar en befintlig FAQ-post (baserat på exakt matchning av 'Fråga').
+    """
     global df
     gammal_fråga = gammal_fråga.strip()
     nytt_svar = nytt_svar.strip()
@@ -143,7 +162,11 @@ def uppdatera_faq(gammal_fråga, nytt_svar, ny_kategori):
     except Exception as e:
         return f"Fel vid uppdatering: {str(e)}"
 
+
 def ta_bort_faq(fråga_att_radera):
+    """
+    Tar bort en FAQ-post baserat på en exakt matchning av 'Fråga'.
+    """
     global df
     fråga_att_radera = fråga_att_radera.strip()
     if not fråga_att_radera:
@@ -167,14 +190,14 @@ def ta_bort_faq(fråga_att_radera):
         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.")
+    gr.Markdown("Administrera FAQ-poster: Sök i befintliga frågor, lägg till, uppdatera eller ta bort.")
 
-    # ---- Sök i FAQ ----
+    # --- 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")
@@ -182,7 +205,7 @@ with gr.Blocks() as demo:
 
     btn_search.click(fn=sök_faq, inputs=inp_question, outputs=out_search)
 
-    # ---- Lägg till FAQ ----
+    # --- Lägg till FAQ ---
     gr.Markdown("## Lägg till FAQ")
     add_question = gr.Textbox(label="Ny fråga")
     add_answer = gr.Textbox(label="Nytt svar")
@@ -191,7 +214,7 @@ with gr.Blocks() as demo:
     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 ----
+    # --- Redigera / Ta bort FAQ ---
     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)")
@@ -205,11 +228,11 @@ with gr.Blocks() as demo:
     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 ----
+    # --- Visa senaste FAQ-poster ---
     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()
+    demo.launch()