update

app.py

@@ -65,6 +65,8 @@ OPEN_AI_CLIENT = OpenAI(api_key=OPEN_AI_KEY)
 GROQ_API_KEY = os.getenv("GROQ_API_KEY")
 GROQ_CLIENT = Groq(api_key=GROQ_API_KEY)
 
+JUTOR_CHAT_KEY = os.getenv("JUTOR_CHAT_KEY")
+
 DRIVE_KEY = os.getenv("GOOGLE_APPLICATION_CREDENTIALS_JSON")
 GCS_KEY = os.getenv("GOOGLE_APPLICATION_CREDENTIALS_JSON")
 
@@ -475,9 +477,23 @@ def process_transcript_and_screenshots_on_gcs(video_id):
     # get_mind_map(video_id, transcript_text, source)
     # print("===確認其他衍生文件 end ===")
 
+
     # 處理截圖
     for entry in transcript:
         if 'img_file_id' not in entry:
+            # 檢查 OUTPUT_PATH 是否存在 video_id.mp4
+            video_path = f'{OUTPUT_PATH}/{video_id}.mp4'
+            if not os.path.exists(video_path):
+                # try 5 times 如果都失敗就 raise
+                for i in range(5):
+                    try:
+                        download_youtube_video(video_id)
+                        break
+                    except Exception as e:
+                        if i == 4:
+                            raise gr.Error(f"下载视频失败: {str(e)}")
+                        time.sleep(5)
+            # 截图                    
             screenshot_path = screenshot_youtube_video(video_id, entry['start'])
             screenshot_blob_name = f"{video_id}/{video_id}_{entry['start']}.jpg"
             img_file_id = upload_img_and_get_public_url(gcs_client, bucket_name, screenshot_blob_name, screenshot_path)
@@ -503,7 +519,6 @@ def process_youtube_link(password, link):
     video_id = extract_youtube_id(link)
     global VIDEO_ID
     VIDEO_ID = video_id
-    download_youtube_video(video_id, output_path=OUTPUT_PATH)
     
     try:
         # transcript = process_transcript_and_screenshots(video_id)
@@ -560,6 +575,8 @@ def process_youtube_link(password, link):
     mind_map_json = get_mind_map(video_id, formatted_simple_transcript, source)
     mind_map = mind_map_json["mind_map"]
     mind_map_html = get_mind_map_html(mind_map)
+    reading_passage_json = get_reading_passage(video_id, formatted_simple_transcript, source)
+    reading_passage = reading_passage_json["reading_passage"]
 
     # 确保返回与 UI 组件预期匹配的输出
     return video_id, \
@@ -573,7 +590,8 @@ def process_youtube_link(password, link):
         html_content, \
         simple_html_content, \
         first_image, \
-        first_text,
+        first_text, \
+        reading_passage
             
 def format_transcript_to_html(formatted_transcript):
     html_content = ""
@@ -629,6 +647,78 @@ def process_web_link(link):
 
 
 # ---- LLM Generator ----
+def get_reading_passage(video_id, df_string, source):
+    if source == "gcs":
+        print("===get_reading_passage on gcs===")
+        gcs_client = init_gcs_client(GCS_KEY)
+        bucket_name = 'video_ai_assistant'
+        file_name = f'{video_id}_reading_passage.json'
+        blob_name = f"{video_id}/{file_name}"
+        # 检查 reading_passage 是否存在
+        is_file_exists = gcs_check_file_exists(gcs_client, bucket_name, blob_name)
+        if not is_file_exists:
+            reading_passage = generate_reading_passage(df_string)
+            reading_passage_json = {"reading_passage": str(reading_passage)}
+            reading_passage_text = json.dumps(reading_passage_json, ensure_ascii=False, indent=2)
+            upload_file_to_gcs_with_json_string(gcs_client, bucket_name, blob_name, reading_passage_text)
+            print("reading_passage已上传到GCS")
+        else:
+            # reading_passage已存在，下载内容
+            print("reading_passage已存在于GCS中")
+            reading_passage_text = download_blob_to_string(gcs_client, bucket_name, blob_name)
+            reading_passage_json = json.loads(reading_passage_text)
+
+    elif source == "drive":
+        print("===get_reading_passage on drive===")
+        service = init_drive_service()
+        parent_folder_id = '1GgI4YVs0KckwStVQkLa1NZ8IpaEMurkL'
+        folder_id = create_folder_if_not_exists(service, video_id, parent_folder_id)
+        file_name = f'{video_id}_reading_passage.json'
+
+        # 检查 reading_passage 是否存在
+        exists, file_id = check_file_exists(service, folder_id, file_name)
+        if not exists:
+            reading_passage = generate_reading_passage(df_string)
+            reading_passage_json = {"reading_passage": str(reading_passage)}
+            reading_passage_text = json.dumps(reading_passage_json, ensure_ascii=False, indent=2)
+            upload_content_directly(service, file_name, folder_id, reading_passage_text)
+            print("reading_passage已上傳到Google Drive")
+        else:
+            # reading_passage已存在，下载内容
+            print("reading_passage已存在于Google Drive中")
+            reading_passage_text = download_file_as_string(service, file_id)
+
+    return reading_passage_json
+
+def generate_reading_passage(df_string):
+    # 使用 OpenAI 生成基于上传数据的问题
+    sys_content = "你是一個擅長資料分析跟影片教學��老師，user 為學生，請精讀資料文本，自行判斷資料的種類，使用 zh-TW"
+    user_content = f"""
+        請根據 {df_string} 
+        文本自行判斷資料的種類
+        幫我組合成 Reading Passage
+        並潤稿讓文句通順
+        請一定要使用 zh-TW
+    """
+    messages = [
+        {"role": "system", "content": sys_content},
+        {"role": "user", "content": user_content}
+    ]
+
+    request_payload = {
+        "model": "gpt-4-1106-preview",
+        "messages": messages,
+        "max_tokens": 4000,
+    }
+
+    response = OPEN_AI_CLIENT.chat.completions.create(**request_payload)
+    reading_passage = response.choices[0].message.content.strip()
+    print("=====reading_passage=====")
+    print(reading_passage)
+    print("=====reading_passage=====")
+
+    return reading_passage
+
 def get_mind_map(video_id, df_string, source):
     if source == "gcs":
         print("===get_mind_map on gcs===")
@@ -910,7 +1000,7 @@ def change_questions(password, df_string):
     return q1, q2, q3
 
 # --- 學習單 ---
-def generate_worksheet(password, df_string):
+def generate_worksheet(password, df_string, worksheet_topic, worksheet_grade, worksheet_level, worksheet_algorithm):
     verify_password(password)
 
     # df_string delete embed_url, screenshot_path
@@ -920,15 +1010,21 @@ def generate_worksheet(password, df_string):
         entry.pop('screenshot_path', None)
     df_string_text = json.dumps(df_string_json, ensure_ascii=False, indent=2)
 
-    worksheet_prompt = get_worksheet_prompt()
+    worksheet_prompt = get_worksheet_prompt(worksheet_algorithm)
 
     # 使用 OpenAI 生成基于上传数据的问题
     sys_content = "你是一個擅長資料分析跟影片教學備課的老師，請精讀資料文本，自行判斷資料的種類，使用 zh-TW"
     user_content = f"""
         這是逐字稿：{df_string_text}
         ---
+        這是學習單模型：{worksheet_algorithm}
+        這是學習單科目：{worksheet_topic}
+        這是學習單年級：{worksheet_grade}
+        這是學習單難度：{worksheet_level}
+
         請根據逐字稿進行以下工作：
         不要提到 【逐字稿】 這個詞，直接給出工作內容即可
+        如果是中文素材，請嚴格使用 zh-TW
         {worksheet_prompt}
     """
     messages = [
@@ -953,8 +1049,8 @@ def generate_worksheet(password, df_string):
     print("=====worksheet=====")
     return worksheet, worksheet_prompt
 
-def get_worksheet_prompt():
-    default_worksheet_prompt = """
+def get_worksheet_prompt(algorithm="Bloom認知階層理論"):
+    bloom_worksheet_prompt = """
     你是個專業的教師，熟悉布魯姆(Benjamin Bloom, 1964) 的認知理論。布魯姆認為人類的能力，大致可分為三個領域(domains)，即認知領域(cognitive domain)、情意領域(affective domain)、技能領域 (psychomotor domain)。
     
     【認知領域】涉及知能及其運作，著重心智、學習以及問題解決的工作。認知目標從簡單的認識或記憶能力到複雜的評鑑能力。大部分的教育目標都屬於這個領域。認知領域的目標分為六個層次，每個層次代表不同的心智功能。
@@ -965,41 +1061,135 @@ def get_worksheet_prompt():
     - 🌐 綜合：綜合是指將所學到的片斷概念或知識、原理原則或事實，統整成新的整體。用來表示此種能力的行為動詞有：設計、組織、綜合、創造、歸納、聯合等。例：讀完一篇有關防治汙染的文章後，學生能綜合防治汙染的各種方法。
     - 🏅 評鑑：評鑑是認知目標中最高層次的能力，指依據某項標準做價值的判斷的能力。用來表示此能力的行為動詞有：評鑑、判斷、評論、比較、批判等。例：學生能評斷辯論中的謬論。
 
-    學習單包含以下的內容，將以布魯姆教育目標來建構提問的架構；請用 markdown 格式來呈現，題目和題目之間要換行，並加上 point 符號，像是 "-" 或是 "1." 等等。
+    學習單包含以下的內容，將以布魯姆教育目標來建構提問的架構；請用 markdown 格式來呈現。
     - 📝 主題：請使用上傳檔案的檔名作為標題
     - 🔑 重點： 和影片有關重要知識摘要
     - 💭 概念：概念性問題 - 布魯姆的知識層級；數學知識的建構
     - 📊 計算：程序性問題 - 布魯姆的理解層級；和影片相同的例題，類似的練習題 → 計算與步驟操作
     - 🚀 延伸與應用 - 布魯姆的應用、分析、綜合、評鑑層級 → 延伸思考與應用
     
-    其中，「重點」的題目請用挖空的填空題；在「計算」的程序性問題請以單選題或填空題的形式來建立，需要 3 個題目；「延伸與應用」請使用問答題的形式來建立，一題即可。    
+    其中，「重點」的題目請用挖空的填空題；在「計算」的程序性問題請以單選題或填空題的形式來建立，需要 3 個題目；「延伸與應用���請使用問答題的形式來建立，一題即可。
+    題目和題目之間要換行，並加上 point 符號，像是 "-" 或是 "1." 等等
 
     這是範例格式：
-    ### 主題：【概念】認識公里
-    【情境描述】 
+    🌐 主題：【概念】認識公里
+
+    🎓【對象】 
+    科目： 數學
+    年級： 三年級
+    難度： 基礎
+
+    🏞️【情境描述】
     狐狸貓和家人出遊，過程中認識測量較長距離的單位「公里」。
 
-    **【影片重點】** 
-    公里是用來測量長距離的單位，通常用於測量很遠的距離。
-    1公里等於＿＿＿公尺，也稱為千米。
-    公里的英文簡寫是 ＿＿＿＿。
+    🔑【影片重點】
+    - 公里是用來測量長距離的單位，通常用於測量很遠的距離。
+    - 1公里等於＿＿＿公尺，也稱為千米。
+    - 公里的英文簡寫是 ＿＿＿＿。
 
-    **【概念】** 
-    請問公里通常用於測量什麼類型的距離？
-    如果一圈操場是200公尺，那跑5圈是多少公尺？多少公里？
-    為什麼我們需要使用公里這個單位來測量距離？
+    🌟【概念】
+    - 請問公里通常用於測量什麼類型的距離？
+    - 如果一圈操場是200公尺，那跑5圈是多少公尺？多少公里？
+    - 為什麼我們需要使用公里這個單位來測量距離？
 
-    **【計算】**
-    一圈操場是200公尺，跑10圈是多少公里？(A) 1公里 (B) 2公里 (C) 3公里 (D) 4公里
-    如果你跑了5圈操場，運動手環上會顯示你跑了多少公里？
-    6000公尺等於多少公里？
+    🔢【計算】
+    1. 一圈操場是200公尺，跑10圈是多少公里？(A) 1公里 (B) 2公里 (C) 3公里 (D) 4公里
+    2. 如果你跑了5圈操場，運動手環上會顯示你跑了多少公里？
+    3. 6000公尺等於多少公里？
 
-    **【延伸與應用】**
-    假設你參加一場慈善路跑活動，全程是5公里。如果你已經跑了3公里，還剩下多少公里？你覺得這樣的活動對你的體能有什麼影響？
+    💡【延伸與應用】
+    - 假設你參加一場慈善路跑活動，全程是5公里。如果你已經跑了3公里，還剩下多少公里？你覺得這樣的活動對你的體能有什麼影響？
     """
 
-    return default_worksheet_prompt
+    Polya_worksheet_prompt = """
+    你是個專業的教師，熟悉 George Polya(1945) 的數學問題解決策略。
+    Polya提出了一個四步驟的數學問題解決策略，在他影響深遠的經典著作 How to solve it《如何解題》中指出解難過程可分為四個階段：
+    (1) 理解問題 (understanding the problem)
+    (2) 設計解題策略 (devising a plan)
+    (3) 按步解題 (carrying out the plan)
+    (4) 回顧解答 (looking back) (edited) 
+
+    請以此設計學習單並依據文本跟難度給予題目
+    請一定要使用 zh-TW
+    
+    這是範例格式：
+    🌐 主題：【概念】認識公里
+
+    🎓【對象】
+    科目： 數學
+    年級： 三年級
+    難度： 基礎
+
+    🏞️【情境描述】
+    狐狸貓和家人出遊，過程中認識測量較長距離的單位「公里」。
 
+    ❓【給出問題】
+    - 如果日月潭環潭自行車道共30公里，狐狸貓騎行了13.7公里後休息，剩餘多少公里尚未騎行？
+    
+    🤔【理解問題】
+    首先，我們必須完全理解問題的所有細節。在此情境中，我們需要釐清以下幾點：
+    - 日月潭環潭自行車道的總長度為30公里。
+    - 狐狸貓已經騎行了13.7公里。
+    - 我們的目標是計算狐狸貓還剩下多少公里未騎行。
+
+    🧭【設計解題策略】
+    接下來，根據我們對問題的理解來設計解決問題的計劃。在此步驟中，我們決定採用哪種策略來解決問題。對於這個問題，最直接的計劃是使用算術減法：
+    - 總公里數（30公里）減去已騎行的公里數（13.7公里）。
+
+    📝【按步解題】
+    按照設計的計劃執行解題步驟。在這裡我們執行減法運算：
+    30−13.7=16.3
+    這意味著狐狸貓還有16.3公里未騎行。
+
+    ✨【回顧解答】
+    最後，解題完成後，我們回顧和反思整個解題過程。在這一步，我們驗證計算的結果是否符合邏輯，是否正確解決了原問題。
+    同時，考慮是否有更有效或簡便的方法來解決類似的問題。在這個例子中，使用直接減法是最簡單直接的方法。
+    但在其他情境下，可能需要考慮使用圖形、表格或代數表達式等其他策略來解決問題。
+    """
+    
+    # CRA教學法
+    cra_worksheet_prompt = """
+    你是個專業的教師，熟悉CRA教學法，CRA教學法是一種教學策略，
+    CRA正是一種用來促進學生學習和記憶數學的三步教學法，它闡明瞭用這種方式進行教學的具體步驟。
+    CRA的三個步驟互相依賴，運用CRA能建立起一種概念結構，從而形成知識的意義關聯。
+    CRA策略的第一個階段， 即實例(C)階段，是一個“做”的階段。在這一階段，教師用加工材料建模，這些材料包括彩色圓片、立方體、十進位積木、六形六色積木，以及分數積木，等等。在使用這些材料時，必須考慮到兒童的視覺、觸覺及動感經驗。
+    階段二，即描述(R)階段，是一個“看”的階段。在這一-階段，具體的模型被改成了圖片展示，教師可用手繪圖片或貼紙來對概念進行解釋。
+    最後一個階段，即抽象(A)階段，是一個抽象的“符號”階段， 在這一階段， 教師使用數字、字母等數學符號(如:2, 6, 3x, +,-等)來進行教學。
+    運用CRA的前提是學生在學習“規則”前必須學會概念。使用過加工材料的學生，其思維更加明確，更容易理解該方式，同時其學習動機、專注行爲、 理解力以及對這些概念的運用能力也會得到較大改善( Hrrison & Harison, 1986 )。
+    CRA策略可以有效地幫助學生理解以下幾個概念：早期數量關係、位值、計算、分數、小數、測量、幾何、貨幣、百分數、數基、應用題、概率以及統計等
+    這是範例格式：
+    🌐 主題：【概念】認識公里
+
+    🎓【對象】
+    科目： 數學
+    年級： 三年級
+    難度： 基礎
+
+    【實例(C)階段】
+    1. 用彩色圓片來解釋什麼是分數？
+    2. 用立方體來解釋什麼是體積？
+    3. 用十進位積木來解釋什麼是小數？
+
+    【描述(R)階段】
+    1. 用手繪圖片來解釋什麼是分數？
+    2. 用貼紙來解釋什麼是體積？
+    3. 用手繪圖片來解釋什麼是小數？
+
+    【抽象(A)階段】
+    1. 用數字來解釋什麼是分數？
+    2. 用字母來解釋什麼是體積？
+    3. 用數字來解釋什麼是小數？
+    
+    """
+
+    case = {
+        "Bloom認知階層理論": bloom_worksheet_prompt,
+        "Polya數學解題法": Polya_worksheet_prompt,
+        "CRA教學法": cra_worksheet_prompt
+    }
+
+    return case[algorithm]
+    
 def generate_exam_fine_tune_result(password, worksheet_prompt, df_string_output, exam_result, exam_result_fine_tune_prompt):
     verify_password(password)
 
@@ -1196,27 +1386,23 @@ def respond_with_jutor_chat(password, user_message, data, chat_history, socratic
     else:
         pass
 
-    # 构造请求体
-    request_payload = {
-        "endpoint": "https://api.openai.com/v1/chat/completions",
-        "http_method": "POST",
+    messages.append({"role": "user", "content": user_message})
+    api_endpoint = "https://ci-live-feat-video-ai-dot-junyiacademy.appspot.com/api/v2/jutor/hf-chat"
+    headers = {
+        "Content-Type": "application/json",
+        "x-api-key": JUTOR_CHAT_KEY,
+    }
+    data = {
         "data": {
-            "model": "gpt-4-1106-preview",  # 或其他模型
             "messages": messages,
-            "max_tokens": 4000  # 設定一個較大的值，可根據需要調整
+            "max_tokens": 512,
+            "temperature": 0.9,
+            "model": "gpt-4-1106-preview",
+            "stream": False,
         }
     }
 
-    # 发送请求到远程API
-    response = requests.post(
-        "https://www.junyiacademy.com/api/v2/jutor/chat",  # 你的远程API URL
-        headers={
-            "Content-Type": "application/json",
-            # 如果API需要XSRF token或其他认证信息，请在这里添加
-            # 'X-KA-FKey': xsrfToken
-        },
-        json=request_payload  # 使用json参数直接发送JSON格式的数据
-    )
+    response = requests.post(api_endpoint, headers=headers, data=json.dumps(data))
 
     if response.status_code == 200:
         # 处理响应数据
@@ -1542,21 +1728,9 @@ with gr.Blocks() as demo:
         web_link = gr.Textbox(label="Enter Web Page Link", visible=False)
     with gr.Tab("學生版"):
         with gr.Row():
-            with gr.Column(scale=2):
-                gr.Markdown("## OPEN AI 模式")
-                chatbot = gr.Chatbot()
-                thread_id = gr.Textbox(label="thread_id", visible=False)
-                socratic_mode_btn = gr.Checkbox(label="蘇格拉底家教助理模式", value=False)
-                msg = gr.Textbox(label="Message")
-                send_button = gr.Button("Send")
-                gr.Markdown("## GROQ 模式")
-                groq_chatbot = gr.Chatbot(label="groq mode chatbot")
-                groq_msg = gr.Textbox(label="Message")
-                groq_send_button = gr.Button("Send")
-
             with gr.Column(scale=3):
-                with gr.Tab("逐字稿"):
-                    simple_html_content = gr.HTML(label="Simple Transcript")
+                with gr.Tab("文章模式"):
+                    reading_passage = gr.Textbox(label="Reading Passage", lines=40)
                 with gr.Tab("重點"):
                     df_summarise = gr.Textbox(container=True, show_copy_button=True, lines=40)    
                 with gr.Tab("問題"):
@@ -1566,12 +1740,12 @@ with gr.Blocks() as demo:
                     btn_3 = gr.Button()
                     gr.Markdown("## 重新生成問題")
                     btn_create_question = gr.Button("Create Questions")
-                with gr.Tab("心智圖",elem_id="mind_map_tab"):
-                    mind_map_html = gr.HTML()
-    
+
                 with gr.Accordion("See Details", open=False):
                     with gr.Tab("本文"):
                         df_string_output = gr.Textbox(lines=40, label="Data Text")
+                    with gr.Tab("逐字稿"):
+                        simple_html_content = gr.HTML(label="Simple Transcript")
                     with gr.Tab("圖文"):
                         transcript_html = gr.HTML(label="YouTube Transcript and Video") 
                     with gr.Tab("投影片"):
@@ -1585,7 +1759,25 @@ with gr.Blocks() as demo:
                     with gr.Tab("markdown"):
                         gr.Markdown("## 請複製以下 markdown 並貼到你的心智圖工具中，建議使用：https://markmap.js.org/repl")
                         mind_map = gr.Textbox(container=True, show_copy_button=True, lines=40, elem_id="mind_map_markdown") 
+                    with gr.Tab("心智圖",elem_id="mind_map_tab"):
+                        mind_map_html = gr.HTML()
+            with gr.Column(scale=2):
+                gr.Markdown("## OPEN AI 模式")
+                chatbot = gr.Chatbot(avatar_images=["https://assets-global.website-files.com/6405517ab71c76a232456561/6405517ab71c7635804565a3_%E9%A0%AD%E8%B2%BC%20_%E8%80%81%E5%B8%AB%20.png", "https://junyitopicimg.s3.amazonaws.com/s4byy--icon.jpe?v=20200513013523726"], label="OPEN AI 模式")
+                thread_id = gr.Textbox(label="thread_id", visible=False)
+                socratic_mode_btn = gr.Checkbox(label="蘇格拉底家教助理模式", value=True)
+                msg = gr.Textbox(label="Message")
+                send_button = gr.Button("Send")
 
+                gr.Markdown("## GROQ 模式")
+                groq_chatbot = gr.Chatbot(label="groq mode chatbot")
+                groq_msg = gr.Textbox(label="Message")
+                groq_send_button = gr.Button("Send")
+
+                gr.Markdown("## JUTOR API 模式")
+                jutor_chatbot = gr.Chatbot(label="jutor mode chatbot")
+                jutor_msg = gr.Textbox(label="Message")
+                jutor_send_button = gr.Button("Send")
 
     with gr.Tab("教師版"):
         with gr.Row():
@@ -1595,7 +1787,11 @@ with gr.Blocks() as demo:
                 # with gr.Tab("認知階層評量題目"):
                 #     cognitive_level_content = gr.Textbox(label="輸入學習目標與內容")
                 #     cognitive_level_content_btn = gr.Button("生成評量題目")
-                with gr.Tab("學習單"):             
+                with gr.Tab("學習單"):
+                    worksheet_topic = gr.Dropdown(label="選擇學習單主題", choices=["數學", "自然", "國文", "英文", "社會"], value="數學")                 
+                    worksheet_grade = gr.Dropdown(label="選擇學習單年級", choices=["一年級", "二年級", "三年級", "四年級", "五年級", "六年級", "七年級", "八年級", "九年級", "十年級", "十一年級", "十二年級"], value="三年級")
+                    worksheet_level = gr.Dropdown(label="選擇學習單難度", choices=["基礎", "中級", "進階"], value="基礎")
+                    worksheet_algorithm = gr.Dropdown(label="選擇學習單理論", choices=["Bloom認知階層理論", "Polya數學解題法", "CRA教學法"], value="Bloom認知階層理論")
                     worksheet_content_btn = gr.Button("生成學習單")
                     with gr.Accordion("prompt", open=False):
                         worksheet_prompt = gr.Textbox(label="worksheet_prompt", show_copy_button=True, lines=40)
@@ -1629,6 +1825,12 @@ with gr.Blocks() as demo:
     # btn_2.click(respond, inputs=[btn_2, df_string_output, chatbot, socratic_mode_btn], outputs=[msg, chatbot])
     # btn_3.click(respond, inputs=[btn_3, df_string_output, chatbot, socratic_mode_btn], outputs=[msg, chatbot])
 
+    # chat_with_youtube_transcript
+    # send_button.click(
+    #     chat_with_youtube_transcript,
+    #     inputs=[password, video_id, thread_id, df_string_output, msg, chatbot, socratic_mode_btn],
+    #     outputs=[msg, chatbot, thread_id]
+    # )
     # chat_with_youtube_transcript
     send_button.click(
         chat_with_youtube_transcript,
@@ -1641,6 +1843,14 @@ with gr.Blocks() as demo:
         inputs=[password, groq_msg, df_string_output, groq_chatbot, socratic_mode_btn],
         outputs=[groq_msg, groq_chatbot]
     )
+    # JUTOR API 模式
+    jutor_send_button.click(
+        respond_with_jutor_chat,
+        inputs=[password, jutor_msg, df_string_output, jutor_chatbot, socratic_mode_btn],
+        outputs=[jutor_msg, jutor_chatbot]
+    )
+
+
     # 连接按钮点击事件
     btn_1.click(
         chat_with_youtube_transcript,
@@ -1679,9 +1889,10 @@ with gr.Blocks() as demo:
             transcript_html,
             simple_html_content, 
             slide_image, 
-            slide_text
-            ]
-        )
+            slide_text,
+            reading_passage
+        ]
+    )
     
     youtube_link_btn.click(
         process_youtube_link, 
@@ -1698,9 +1909,10 @@ with gr.Blocks() as demo:
             transcript_html, 
             simple_html_content,
             slide_image, 
-            slide_text
-            ]
-        )
+            slide_text,
+            reading_passage
+        ]
+    )
 
     # 当输入网页链接时触发
     # web_link.change(process_web_link, inputs=web_link, outputs=[btn_1, btn_2, btn_3, df_summarise, df_string_output])
@@ -1708,7 +1920,7 @@ with gr.Blocks() as demo:
     # 教師版 學習單
     worksheet_content_btn.click(
         generate_worksheet,
-        inputs=[password, df_string_output],
+        inputs=[password, df_string_output, worksheet_topic, worksheet_grade, worksheet_level, worksheet_algorithm],
         outputs=[exam_result, worksheet_prompt]
     )
     exam_result_fine_tune_btn.click(