Update app.py

app.py

@@ -1,57 +1,26 @@
-import os
-import sys
 import gradio as gr
+import requests
 from deep_translator import GoogleTranslator
 
-# 初始化：這行能確保基礎 NLP 工具準備好
-os.system("python -m spacy download en_core_web_sm")
+# 這裡填寫 Hugging Face 的 API 網址 (免費限額內可使用)
+API_URL = "https://api-inference.huggingface.co/models/biu-nlp/lingmess-coref"
+# 妳可以在 HF 的 Settings 申請一組 Token 填入
+headers = {"Authorization": "Bearer 妳的_HF_TOKEN"} 
 
-from transformers import AutoTokenizer, AutoModel
-import torch
-
-# 載入 Lingmess 模型 (這是 fastcoref 的核心模型)
-# 我們改用更底層的載入方式，確保穩定性
-model_name = "biu-nlp/lingmess-coref"
-try:
-    from fastcoref import FCoref
-    # 強制指定使用較小的 bert 模型，而不是大型的 lingmess
-    model = FCoref(model_name='biu-nlp/f-coref', device='cpu')
-except Exception as e:
-    print(f"模型載入失敗: {e}")
-    model = None
+def query(payload):
+    response = requests.post(API_URL, headers=headers, json=payload)
+    return response.json()
 
 def coref_chat(user_input):
-    if not user_input.strip():
-        return "請輸入內容", "等待輸入..."
-
-    # 1. 執行橋接翻譯
-    try:
-        translated_text = GoogleTranslator(source='auto', target='en').translate(user_input)
-    except Exception as e:
-        return user_input, f"翻譯環節出錯: {str(e)}"
-
-    # 2. 執行指代消解 (Coreference Resolution)
-    if model:
-        try:
-            preds = model.predict(texts=[translated_text])
-            clusters = preds[0].get_clusters()
-            
-            if not clusters:
-                result_text = f"📝 翻譯文本：{translated_text}\n\n❌ 狀態：AI 未能建立實體連結。\n💡 建議：請輸入人物關係更明確的長句。"
-            else:
-                result_text = f"📝 英文語意路徑：{translated_text}\n\n🎯 【實體追蹤分析結果】:\n"
-                for i, cluster in enumerate(clusters):
-                    result_text += f" ● 群組 {i+1}: {' ↔ '.join(cluster)}\n"
-                
-                # 方案三：展示應用價值
-                if "she" in translated_text.lower() and ("doctor" in translated_text.lower() or "surgeon" in translated_text.lower()):
-                    result_text += "\n✨ [技術亮點] 系統成功辨識女性職業身份，已自動校正翻譯偏見。"
-        except Exception as e:
-            result_text = f"📝 翻譯成功：{translated_text}\n⚠️ 模型推論失敗，可能是記憶體不足。錯誤代碼: {str(e)}"
-    else:
-        result_text = f"📝 翻譯成功：{translated_text}\n⚠️ 核心模型初始化失敗，目前僅能展示翻譯橋接邏輯。"
-
-    return user_input, result_text
+    # 1. 翻譯橋接 (同前)
+    translated = GoogleTranslator(source='auto', target='en').translate(user_input)
+    
+    # 2. 呼叫遠端大腦
+    # 注意：API 回傳格式與本地套件不同，需要解析
+    output = query({"inputs": translated})
+    
+    # 這裡直接回傳翻譯結果與 AI 解析數據
+    return user_input, f"📝 翻譯：{translated}\n\n🎯 遠端分析數據：{output}"
 
 # Gradio 介面
 with gr.Blocks(theme=gr.themes.Default()) as demo: