Update app.py

app.py

@@ -1,68 +1,58 @@
 import os
 import glob
-import gradio as gr
-import numpy as np
+import uvicorn
+from fastapi import FastAPI
 from sentence_transformers import SentenceTransformer
 from sklearn.metrics.pairwise import cosine_similarity
+import numpy as np
 
-# Загружаем модель эмбеддингов
+app = FastAPI()
+
+# Загружаем модель для создания эмбеддингов
 model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
 
-# Путь к папке с лором
-LORE_DIR = "./lore"
+# Папка с файлами лора
+LORE_DIR = './lore'
 
 # Параметры нарезки текста
-CHUNK_SIZE = 500  # длина куска в символах
-CHUNK_OVERLAP = 100  # перекрытие для плавности
+CHUNK_SIZE = 1000  # символов
+CHUNK_OVERLAP = 100  # перекрытие кусков для связности текста
 
-# Загружаем и разбиваем текст на кусочки
+# Загружаем и обрабатываем лор
 def load_lore_chunks():
     chunks = []
-    files = glob.glob(os.path.join(LORE_DIR, "*.txt"))
-    if not files:
-        print(f"В папке {LORE_DIR} нет файлов.")
-    for file_path in files:
-        with open(file_path, "r", encoding="utf-8") as file:
-            text = file.read()
-            text = ''.join(c if 0x20 <= ord(c) <= 0xFFFF else ' ' for c in text)  # чистим мусор
+    file_paths = glob.glob(os.path.join(LORE_DIR, '*.txt'))
+    
+    for path in file_paths:
+        with open(path, 'r', encoding='utf-8') as f:
+            text = f.read()
+            # чистим мусорные символы
+            text = ''.join(c if 0x20 <= ord(c) <= 0xFFFF else ' ' for c in text)
+            # разбиваем на кусочки
             for i in range(0, len(text), CHUNK_SIZE - CHUNK_OVERLAP):
-                chunk = text[i:i+CHUNK_SIZE].strip()
+                chunk = text[i:i + CHUNK_SIZE].strip()
                 if chunk:
                     chunks.append(chunk)
     return chunks
 
-# Загружаем все куски и эмбеддим
-print("🚀 Загружаем лор...")
+# Загружаем чанки и строим эмбеддинги
+print("Идёт загрузка файлов...")
 lore_chunks = load_lore_chunks()
-if not lore_chunks:
-    print("⚠️ Внимание: нет данных для поиска.")
 lore_embeddings = model.encode(lore_chunks)
-print(f"✅ Загружено {len(lore_chunks)} кусков текста.")
+print(f"Загружено {len(lore_chunks)} частей текста.")
 
-# Поиск лучшего ответа
+# Функция для поиска лучшего ответа
 def find_best_answer(question):
     question_embedding = model.encode([question])[0]
     similarities = cosine_similarity([question_embedding], lore_embeddings)[0]
-    best_indices = similarities.argsort()[-3:][::-1]  # Топ-3 самых похожих
-    best_chunks = [lore_chunks[idx] for idx in best_indices]
-    response = "\n\n".join(best_chunks)
-    return response
-
-# Gradio интерфейс
-with gr.Blocks() as demo:
-    gr.Markdown("## 🧛‍♂️ ЛОР-БОТ: задавай вопросы о мире!")
+    best_idx = np.argmax(similarities)
+    return lore_chunks[best_idx]
 
-    chat = gr.ChatInterface(
-        fn=lambda message, history: (find_best_answer(message), history),
-        examples=[
-            ["Какие кланы есть у вампиров?"],
-            ["Чем оборотни отличаются от ликантропов?"],
-            ["Где находится замок теней?"]
-        ],
-        title="Лор-бот",
-        theme="soft"
-    )
+@app.get("/")
+def read_root():
+    return {"message": "Добро пожаловать в Лор-Бота!"}
 
-# Для запуска локально:
-if __name__ == "__main__":
-    demo.launch()
+@app.get("/ask/")
+def ask_question(q: str):
+    answer = find_best_answer(q)
+    return {"question": q, "answer": answer}