Create app.py

app.py

@@ -0,0 +1,88 @@
+import streamlit as st
+import openai
+
+from langchain.chat_models import ChatOpenAI
+from langchain.chains import RetrievalQA
+from langchain.embeddings.openai import OpenAIEmbeddings
+from langchain.vectorstores import FAISS
+from langchain.text_splitter import CharacterTextSplitter
+from langchain.document_loaders import PyPDFLoader
+
+st.title("📄 PDF Q&A mit OpenAI (LangChain)")
+
+# -------------------------------
+# Seitenleiste: API-Key eingeben
+# -------------------------------
+with st.sidebar:
+    openai_api_key = st.text_input("OpenAI API Key", type="password")
+
+# -------------------------------
+# PDF hochladen
+# -------------------------------
+uploaded_file = st.file_uploader("Lade eine PDF-Datei hoch", type=["pdf"])
+
+# -------------------------------
+# Eingabefeld für Fragen
+# -------------------------------
+question = st.text_input(
+    label="Frage zum Dokument",
+    placeholder="Worum geht es in diesem Dokument?",
+    disabled=not uploaded_file
+)
+
+# -------------------------------
+# Hinweis, falls kein API-Key
+# -------------------------------
+if uploaded_file and question and not openai_api_key:
+    st.info("Bitte zuerst deinen OpenAI API Key eingeben, um fortzufahren.")
+    st.stop()
+
+# -------------------------------
+# Verarbeite die PDF und beantworte die Frage
+# -------------------------------
+if uploaded_file and question and openai_api_key:
+    try:
+        # 1) PDF laden mit PyPDFLoader
+        loader = PyPDFLoader(uploaded_file)
+        
+        # 2) Text in Chunks aufteilen
+        #    Du kannst hier nach Bedarf den CharacterTextSplitter anpassen,
+        #    z. B. chunk_size oder chunk_overlap ändern.
+        text_splitter = CharacterTextSplitter(
+            separator="\n",
+            chunk_size=1000,
+            chunk_overlap=100,
+            length_function=len
+        )
+        
+        # load_and_split() übernimmt das Laden und direkte Splitten in Dokumente:
+        documents = loader.load_and_split(text_splitter=text_splitter)
+        
+        # 3) Erstelle Embeddings und Vector Store (FAISS)
+        embeddings = OpenAIEmbeddings(openai_api_key=openai_api_key)
+        vectorstore = FAISS.from_documents(documents, embeddings)
+        retriever = vectorstore.as_retriever()
+        
+        # 4) Erstelle Retrieval-Kette mit LLM
+        llm = ChatOpenAI(
+            temperature=0,
+            model_name="gpt-3.5-turbo",
+            openai_api_key=openai_api_key
+        )
+        
+        qa_chain = RetrievalQA.from_chain_type(
+            llm=llm,
+            chain_type="stuff",       # Simplest "Stuff" Chain
+            retriever=retriever
+        )
+        
+        # 5) Frage stellen und Antwort bekommen
+        with st.spinner("Suche relevante Textstellen und generiere Antwort..."):
+            answer = qa_chain.run(question)
+        
+        # 6) Ausgabe
+        st.write("### Antwort:")
+        st.write(answer)
+
+    except Exception as e:
+        st.error(f"Fehler beim Verarbeiten der PDF: {e}")