Update app.py

app.py

@@ -1,473 +1,161 @@
-import gradio as gr
-from transformers import FlaxAutoModelForSeq2SeqLM, AutoTokenizer, AutoModel
+from transformers import AutoTokenizer, AutoModel
 import torch
 import numpy as np
 import random
 import json
-from fastapi import FastAPI, Request
+from fastapi import FastAPI
 from fastapi.responses import JSONResponse
 from pydantic import BaseModel
 
-# Lade RecipeBERT Modell (für semantische Zutat-Kombination)
+# Lade NUR RecipeBERT Modell
 bert_model_name = "alexdseo/RecipeBERT"
 bert_tokenizer = AutoTokenizer.from_pretrained(bert_model_name)
 bert_model = AutoModel.from_pretrained(bert_model_name)
 bert_model.eval() # Setze das Modell in den Evaluationsmodus
 
-# Lade T5 Rezeptgenerierungsmodell
-MODEL_NAME_OR_PATH = "flax-community/t5-recipe-generation"
-t5_tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME_OR_PATH, use_fast=True)
-t5_model = FlaxAutoModelForSeq2SeqLM.from_pretrained(MODEL_NAME_OR_PATH)
-
-# Token Mapping für die T5 Modell-Ausgabe
-special_tokens = t5_tokenizer.all_special_tokens
-tokens_map = {
-    "<sep>": "--",
-    "<section>": "\n"
-}
+# T5-Modell und -Logik KOMPLETT ENTFERNT für diesen Schritt
+# special_tokens und tokens_map sind nicht mehr relevant, bleiben aber als Kommentar
 
+# --- RecipeBERT-spezifische Funktionen ---
 def get_embedding(text):
-    """Berechnet das Embedding für einen Text mit Mean Pooling über alle Tokens"""
+    """Berechnet das Embedding für einen Text mit Mean Pooling über alle Tokens."""
     inputs = bert_tokenizer(text, return_tensors="pt", truncation=True, padding=True)
     with torch.no_grad():
         outputs = bert_model(**inputs)
-
-    # Mean Pooling - Mittelwert aller Token-Embeddings
     attention_mask = inputs['attention_mask']
     token_embeddings = outputs.last_hidden_state
     input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
     sum_embeddings = torch.sum(token_embeddings * input_mask_expanded, 1)
     sum_mask = torch.clamp(input_mask_expanded.sum(1), min=1e-9)
-
     return (sum_embeddings / sum_mask).squeeze(0)
 
 def average_embedding(embedding_list):
-    """Berechnet den Durchschnitt einer Liste von Embeddings"""
-    # Sicherstellen, dass embedding_list Tupel von (Name, Embedding) enthält
-    tensors = torch.stack([emb for _, emb in embedding_list])
+    """Berechnet den Durchschnitt einer Liste von Embeddings."""
+    tensors = torch.stack(embedding_list) # embedding_list enthält hier direkt die Tensoren
     return tensors.mean(dim=0)
 
 def get_cosine_similarity(vec1, vec2):
-    """Berechnet die Cosinus-Ähnlichkeit zwischen zwei Vektoren"""
-    if torch.is_tensor(vec1):
-        vec1 = vec1.detach().numpy()
-    if torch.is_tensor(vec2):
-        vec2 = vec2.detach().numpy()
-
-    # Stelle sicher, dass die Vektoren die richtige Form haben (flachen sie bei Bedarf ab)
+    """Berechnet die Cosinus-Ähnlichkeit zwischen zwei Vektoren."""
+    if torch.is_tensor(vec1): vec1 = vec1.detach().numpy()
+    if torch.is_tensor(vec2): vec2 = vec2.detach().numpy()
     vec1 = vec1.flatten()
     vec2 = vec2.flatten()
-
     dot_product = np.dot(vec1, vec2)
     norm_a = np.linalg.norm(vec1)
     norm_b = np.linalg.norm(vec2)
-
-    # Division durch Null vermeiden
-    if norm_a == 0 or norm_b == 0:
-        return 0
-
+    if norm_a == 0 or norm_b == 0: return 0
     return dot_product / (norm_a * norm_b)
 
-def get_combined_scores(query_vector, embedding_list, all_good_embeddings, avg_weight=0.6):
-    """Berechnet einen kombinierten Score unter Berücksichtigung der Ähnlichkeit zum Durchschnitt und zu einzelnen Zutaten"""
-    results = []
-
-    for name, emb in embedding_list:
-        # Ähnlichkeit zum Durchschnittsvektor
-        avg_similarity = get_cosine_similarity(query_vector, emb)
-
-        # Durchschnittliche Ähnlichkeit zu individuellen Zutaten
-        individual_similarities = [get_cosine_similarity(good_emb, emb)
-                                   for _, good_emb in all_good_embeddings]
-        # Vermeide Division durch Null, falls all_good_embeddings leer ist
-        avg_individual_similarity = sum(individual_similarities) / len(individual_similarities) if individual_similarities else 0
-
-        # Kombinierter Score (gewichteter Durchschnitt)
-        combined_score = avg_weight * avg_similarity + (1 - avg_weight) * avg_individual_similarity
-
-        results.append((name, emb, combined_score))
 
-    # Sortiere nach kombiniertem Score (absteigend)
-    results.sort(key=lambda x: x[2], reverse=True)
-    return results
-
-# Die von dir bereitgestellte, korrigierte find_best_ingredients Funktion
-def find_best_ingredients(required_ingredients, available_ingredients, max_ingredients=6, avg_weight=0.6):
+# find_best_ingredients (modifiziert, um die ähnlichste Zutat mit RecipeBERT zu finden)
+def find_best_ingredients(required_ingredients, available_ingredients, max_ingredients=6):
     """
-    Findet die besten Zutaten basierend auf RecipeBERT Embeddings.
+    Findet die besten Zutaten: Alle benötigten + EINE ähnlichste aus den verfügbaren Zutaten.
     """
-    # Ensure no duplicates in lists
     required_ingredients = list(set(required_ingredients))
     available_ingredients = list(set([i for i in available_ingredients if i not in required_ingredients]))
-    
-    # Special case: If no required ingredients, randomly select one from available ingredients
-    if not required_ingredients and available_ingredients:
-        # Randomly select 1 ingredient as starting point
-        random_ingredient = random.choice(available_ingredients)
-        required_ingredients = [random_ingredient]
-        available_ingredients = [i for i in available_ingredients if i != random_ingredient]
-        print(f"No required ingredients provided. Randomly selected: {random_ingredient}")
-    
-    # If still no ingredients or already at max capacity
-    if not required_ingredients or len(required_ingredients) >= max_ingredients:
-        return required_ingredients[:max_ingredients]
-    
-    # If no additional ingredients available
-    if not available_ingredients:
-        return required_ingredients
-    
-    # Calculate embeddings for all ingredients
-    embed_required = [(e, get_embedding(e)) for e in required_ingredients]
-    embed_available = [(e, get_embedding(e)) for e in available_ingredients]
-    
-    # Number of ingredients to add
-    num_to_add = min(max_ingredients - len(required_ingredients), len(available_ingredients))
-    
-    # Copy required ingredients to final list
-    final_ingredients = embed_required.copy()
-    
-    # Add best ingredients
-    for _ in range(num_to_add):
-        # Calculate average vector of current combination
-        avg = average_embedding(final_ingredients)
-        
-        # Calculate combined scores for all candidates
-        candidates = get_combined_scores(avg, embed_available, final_ingredients, avg_weight)
-        
-        # If no candidates left, break
-        if not candidates:
-            break
-            
-        # Choose best ingredient
-        best_name, best_embedding, _ = candidates[0]
-        
-        # Add best ingredient to final list
-        final_ingredients.append((best_name, best_embedding))
-        
-        # Remove ingredient from available ingredients
-        embed_available = [item for item in embed_available if item[0] != best_name]
-    
-    # Extract only ingredient names
-    return [name for name, _ in final_ingredients]
-
-def skip_special_tokens(text, special_tokens):
-    """Removes special tokens from text"""
-    for token in special_tokens:
-        text = text.replace(token, "")
-    return text
-
-def target_postprocessing(texts, special_tokens):
-    """Post-processes generated text"""
-    if not isinstance(texts, list):
-        texts = [texts]
-
-    new_texts = []
-    for text in texts:
-        text = skip_special_tokens(text, special_tokens)
-
-        for k, v in tokens_map.items():
-            text = text.replace(k, v)
 
-        new_texts.append(text)
+    final_ingredients = required_ingredients.copy()
 
-    return new_texts
-
-def validate_recipe_ingredients(recipe_ingredients, expected_ingredients, tolerance=0):
-    """
-    Validates if the recipe contains approximately the expected ingredients.
-    """
-    recipe_count = len([ing for ing in recipe_ingredients if ing and ing.strip()])
-    expected_count = len(expected_ingredients)
-    return abs(recipe_count - expected_count) == tolerance
-
-def generate_recipe_with_t5(ingredients_list, max_retries=5):
-    """Generiert ein Rezept mit dem T5 Rezeptgenerierungsmodell mit Validierung."""
-    original_ingredients = ingredients_list.copy()
-
-    for attempt in range(max_retries):
-        try:
-            # Für Wiederholungsversuche nach dem ersten Versuch, mische die Zutaten
-            if attempt > 0:
-                current_ingredients = original_ingredients.copy()
-                random.shuffle(current_ingredients)
-            else:
-                current_ingredients = ingredients_list
-
-            # Formatiere Zutaten als kommaseparierten String
-            ingredients_string = ", ".join(current_ingredients)
-            prefix = "items: "
-
-            # Generationseinstellungen
-            generation_kwargs = {
-                "max_length": 512,
-                "min_length": 64,
-                "do_sample": True,
-                "top_k": 60,
-                "top_p": 0.95
-            }
-            # print(f"Versuch {attempt + 1}: {prefix + ingredients_string}")
-
-            # Tokenisiere Eingabe
-            inputs = t5_tokenizer(
-                prefix + ingredients_string,
-                max_length=256,
-                padding="max_length",
-                truncation=True,
-                return_tensors="jax"
-            )
-
-            # Generiere Text
-            output_ids = t5_model.generate(
-                input_ids=inputs.input_ids,
-                attention_mask=inputs.attention_mask,
-                **generation_kwargs
-            )
-
-            # Dekodieren und Nachbearbeiten
-            generated = output_ids.sequences
-            generated_text = target_postprocessing(
-                t5_tokenizer.batch_decode(generated, skip_special_tokens=False),
-                special_tokens
-            )[0]
-
-            # Abschnitte parsen
-            recipe = {}
-            sections = generated_text.split("\n")
-            for section in sections:
-                section = section.strip()
-                if section.startswith("title:"):
-                    recipe["title"] = section.replace("title:", "").strip().capitalize()
-                elif section.startswith("ingredients:"):
-                    ingredients_text = section.replace("ingredients:", "").strip()
-                    recipe["ingredients"] = [item.strip().capitalize() for item in ingredients_text.split("--") if item.strip()]
-                elif section.startswith("directions:"):
-                    directions_text = section.replace("directions:", "").strip()
-                    recipe["directions"] = [step.strip().capitalize() for step in directions_text.split("--") if step.strip()]
-
-            # Wenn der Titel fehlt, erstelle einen
-            if "title" not in recipe:
-                recipe["title"] = f"Rezept mit {', '.join(current_ingredients[:3])}"
-
-            # Stelle sicher, dass alle Abschnitte existieren
-            if "ingredients" not in recipe:
-                recipe["ingredients"] = current_ingredients
-            if "directions" not in recipe:
-                recipe["directions"] = ["Keine Anweisungen generiert"]
-
-            # Validiere das Rezept
-            if validate_recipe_ingredients(recipe["ingredients"], original_ingredients):
-                # print(f"Erfolg bei Versuch {attempt + 1}: Rezept hat die richtige Anzahl von Zutaten")
-                return recipe
-            else:
-                # print(f"Versuch {attempt + 1} fehlgeschlagen: Erwartet {len(original_ingredients)} Zutaten, erhalten {len(recipe['ingredients'])}")
-                if attempt == max_retries - 1:
-                    # print("Maximale Wiederholungsversuche erreicht, letztes generiertes Rezept wird zurückgegeben")
-                    return recipe
-
-        except Exception as e:
-            # print(f"Fehler bei der Rezeptgenerierung Versuch {attempt + 1}: {str(e)}")
-            if attempt == max_retries - 1:
-                return {
-                    "title": f"Rezept mit {original_ingredients[0] if original_ingredients else 'Zutaten'}",
-                    "ingredients": original_ingredients,
-                    "directions": ["Fehler beim Generieren der Rezeptanweisungen"]
-                }
-
-    # Fallback (sollte nicht erreicht werden)
+    # Nur wenn wir noch Platz haben und zusätzliche Zutaten verfügbar sind
+    if len(final_ingredients) < max_ingredients and len(available_ingredients) > 0:
+        if final_ingredients:
+            # Berechne den Durchschnitts-Embedding der benötigten Zutaten
+            required_embeddings = [get_embedding(ing) for ing in required_ingredients]
+            avg_required_embedding = average_embedding(required_embeddings)
+            
+            best_additional_ingredient = None
+            highest_similarity = -1.0
+
+            # Finde die ähnlichste Zutat aus den verfügbaren
+            for avail_ing in available_ingredients:
+                avail_embedding = get_embedding(avail_ing)
+                similarity = get_cosine_similarity(avg_required_embedding, avail_embedding)
+                if similarity > highest_similarity:
+                    highest_similarity = similarity
+                    best_additional_ingredient = avail_ing
+            
+            if best_additional_ingredient:
+                final_ingredients.append(best_additional_ingredient)
+                print(f"INFO: Added '{best_additional_ingredient}' (similarity: {highest_similarity:.2f}) as most similar.")
+        else:
+            # Wenn keine benötigten Zutaten, wähle zufällig eine aus den verfügbaren (wie zuvor)
+            random_ingredient = random.choice(available_ingredients)
+            final_ingredients.append(random_ingredient)
+            print(f"INFO: No required ingredients. Added random available ingredient: '{random_ingredient}'.")
+
+    # Begrenze auf max_ingredients, falls durch Zufall/ähnlichster Auswahl zu viele hinzugefügt wurden
+    return final_ingredients[:max_ingredients]
+
+
+# mock_generate_recipe (bleibt gleich)
+def mock_generate_recipe(ingredients_list):
+    """Generiert ein Mock-Rezept, da T5-Modell entfernt ist."""
+    title = f"Einfaches Rezept mit {', '.join(ingredients_list[:3])}" if ingredients_list else "Einfaches Testrezept"
     return {
-        "title": f"Rezept mit {original_ingredients[0] if original_ingredients else 'Zutaten'}",
-        "ingredients": original_ingredients,
-        "directions": ["Fehler beim Generieren der Rezeptanweisungen"]
+        "title": title,
+        "ingredients": ingredients_list, # Die "generierten" Zutaten sind einfach die Eingabe
+        "directions": [
+            "Dies ist ein generierter Text von RecipeBERT (ohne T5).",
+            "Das Laden des RecipeBERT-Modells war erfolgreich!",
+            f"Basierend auf deinen Eingaben wurde '{ingredients_list[-1]}' als ähnlichste Zutat hinzugefügt." if len(ingredients_list) > 1 else "Keine zusätzliche Zutat hinzugefügt."
+        ],
+        "used_ingredients": ingredients_list # In diesem Mock-Fall sind alle "used"
     }
 
-# Diese Funktion wird von der Gradio-UI und der FastAPI-Route aufgerufen.
-# Sie ist für die Kernlogik zuständig.
+
 def process_recipe_request_logic(required_ingredients, available_ingredients, max_ingredients, max_retries):
     """
     Kernlogik zur Verarbeitung einer Rezeptgenerierungsanfrage.
-    Ausgelagert, um von verschiedenen Endpunkten aufgerufen zu werden.
+    Für diesen Test wird nur RecipeBERT zum Laden getestet und ein Mock-Rezept zurückgegeben.
     """
     if not required_ingredients and not available_ingredients:
         return {"error": "Keine Zutaten angegeben"}
-
     try:
-        # Optimale Zutaten finden
+        # Hier wird die neue find_best_ingredients verwendet
         optimized_ingredients = find_best_ingredients(
-            required_ingredients,
-            available_ingredients,
-            max_ingredients
+            required_ingredients, available_ingredients, max_ingredients
         )
-
-        # Rezept mit optimierten Zutaten generieren
-        recipe = generate_recipe_with_t5(optimized_ingredients, max_retries)
-
-        # Ergebnis formatieren
+        
+        # Rufe die Mock-Generierungsfunktion auf
+        recipe = mock_generate_recipe(optimized_ingredients) 
+        
         result = {
             'title': recipe['title'],
             'ingredients': recipe['ingredients'],
             'directions': recipe['directions'],
-            'used_ingredients': optimized_ingredients
+            'used_ingredients': optimized_ingredients # Jetzt wirklich die vom find_best_ingredients
         }
         return result
-
     except Exception as e:
         return {"error": f"Fehler bei der Rezeptgenerierung: {str(e)}"}
 
-# Diese Funktion ist für den internen Gradio 'API-Test'-Tab gedacht,
-# der einen JSON-String als Eingabe erwartet und einen JSON-String zurückgibt.
-# Sie wird NICHT von deiner Flutter-App direkt aufgerufen, da die Flutter-App
-# die /api/generate_recipe_rest FastAPI-Route direkt nutzt.
-def flutter_api_generate_recipe(ingredients_data: str): # Typ-Hint für Klarheit
-    """
-    Flutter-freundliche API-Funktion für den Gradio-API-Test-Tab.
-    Verarbeitet JSON-String-Eingabe und gibt JSON-String-Ausgabe zurück.
-    """
-    try:
-        data = json.loads(ingredients_data) # Muss ein JSON-String sein
-
-        required_ingredients = data.get('required_ingredients', [])
-        available_ingredients = data.get('available_ingredients', [])
-        max_ingredients = data.get('max_ingredients', 7)
-        max_retries = data.get('max_retries', 5)
-
-        # Rufe die Kernlogik auf
-        result_dict = process_recipe_request_logic(
-            required_ingredients, available_ingredients, max_ingredients, max_retries
-        )
-        return json.dumps(result_dict) # Gibt einen JSON-STRING zurück
-
-    except Exception as e:
-        # Logge den Fehler für Debugging im Space-Log
-        print(f"Error in flutter_api_generate_recipe: {str(e)}")
-        return json.dumps({"error": f"Internal API Error: {str(e)}"})
-
-def gradio_ui_generate_recipe(required_ingredients_text, available_ingredients_text, max_ingredients_val, max_retries_val):
-    """Gradio UI Funktion für die Web-Oberfläche"""
-    try:
-        required_ingredients = [ing.strip() for ing in required_ingredients_text.split(',') if ing.strip()]
-        available_ingredients = [ing.strip() for ing in available_ingredients_text.split(',') if ing.strip()]
-
-        # Rufe die Kernlogik auf
-        result = process_recipe_request_logic(
-            required_ingredients, available_ingredients, max_ingredients_val, max_retries_val
-        )
-
-        if 'error' in result:
-            return result['error'], "", "", ""
-
-        ingredients_list = '\n'.join([f"• {ing}" for ing in result['ingredients']])
-        directions_list = '\n'.join([f"{i+1}. {dir}" for i, dir in enumerate(result['directions'])])
-        used_ingredients = ', '.join(result['used_ingredients'])
-
-        return (
-            result['title'],
-            ingredients_list,
-            directions_list,
-            used_ingredients
-        )
-
-    except Exception as e:
-        # Fehlermeldung für die Gradio UI
-        return f"Fehler: {str(e)}", "", "", ""
-
-# Erstelle die Gradio Oberfläche
-with gr.Blocks(title="AI Rezept Generator") as demo:
-    gr.Markdown("# 🍳 AI Rezept Generator")
-    gr.Markdown("Generiere Rezepte mit KI und intelligenter Zutat-Kombination!")
-
-    with gr.Tab("Web-Oberfläche"):
-        with gr.Row():
-            with gr.Column():
-                required_ing = gr.Textbox(
-                    label="Benötigte Zutaten (kommasepariert)",
-                    placeholder="Hähnchen, Reis, Zwiebel",
-                    lines=2
-                )
-                available_ing = gr.Textbox(
-                    label="Verfügbare Zutaten (kommasepariert, optional)",
-                    placeholder="Knoblauch, Tomate, Pfeffer, Kräuter",
-                    lines=2
-                )
-                max_ing = gr.Slider(3, 10, value=7, step=1, label="Maximale Zutaten")
-                max_retries = gr.Slider(1, 10, value=5, step=1, label="Max. Wiederholungsversuche")
-
-                generate_btn = gr.Button("Rezept generieren", variant="primary")
-
-            with gr.Column():
-                title_output = gr.Textbox(label="Rezepttitel", interactive=False)
-                ingredients_output = gr.Textbox(label="Zutaten", lines=8, interactive=False)
-                directions_output = gr.Textbox(label="Anweisungen", lines=10, interactive=False)
-                used_ingredients_output = gr.Textbox(label="Verwendete Zutaten", interactive=False)
-
-                generate_btn.click(
-                    fn=gradio_ui_generate_recipe,
-                    inputs=[required_ing, available_ing, max_ing, max_retries],
-                    outputs=[title_output, ingredients_output, directions_output, used_ingredients_output]
-                )
-
-    with gr.Tab("API-Test"):
-        gr.Markdown("### Teste die Flutter API (via 'hugging_face_chat_gradio' Client)")
-        gr.Markdown("Dieser Tab zeigt, wie die Eingabe für die 'generate_recipe_for_flutter'-API aussehen sollte.")
-
-        api_input = gr.Textbox(
-            label="JSON-Eingabe (für API-Aufruf)",
-            placeholder='{"required_ingredients": ["chicken", "rice"], "available_ingredients": ["onion", "garlic"], "max_ingredients": 6}',
-            lines=4
-        )
-        api_output = gr.Textbox(label="JSON-Ausgabe", lines=15, interactive=False)
-        api_test_btn = gr.Button("API testen", variant="secondary")
-
-        # Hier wird die Funktion weiterhin für den Gradio-eigenen API-Test-Tab verwendet.
-        api_test_btn.click(
-            fn=flutter_api_generate_recipe,
-            inputs=[api_input],
-            outputs=[api_output],
-            api_name="generate_recipe_for_flutter" # Dies ist der api_name, den das Flutter-Paket verwendet
-        )
-
-        gr.Examples(
-            examples=[
-                ['{"required_ingredients": ["chicken", "rice"], "available_ingredients": ["onion", "garlic", "tomato"], "max_ingredients": 6}'],
-                ['{"ingredients": ["pasta"], "available_ingredients": ["cheese", "mushrooms", "cream"], "max_ingredients": 5}']
-            ],
-            inputs=[api_input]
-        )
-
-# --- FastAPI-Integration ---
-app = FastAPI()
+# --- FastAPI-Implementierung ---
+app = FastAPI(title="AI Recipe Generator API (RecipeBERT Only Test)")
 
 class RecipeRequest(BaseModel):
     required_ingredients: list[str] = []
     available_ingredients: list[str] = []
     max_ingredients: int = 7
-    max_retries: int = 5
+    max_retries: int = 5 # Wird hier nicht direkt genutzt, aber im Payload beibehalten
+    ingredients: list[str] = [] # Für Abwärtskompatibilität
 
-@app.post("/generate_recipe") # KORRIGIERT: Der Endpunkt ist jetzt /generate_recipe
-async def generate_recipe_rest_api(request_data: RecipeRequest):
-    """
-    Standard-REST-API-Endpunkt für die Flutter-App.
-    Nimmt direkt JSON-Daten an und gibt direkt JSON zurück.
-    """
-    required_ingredients = request_data.required_ingredients
-    available_ingredients = request_data.available_ingredients
-    max_ingredients = request_data.max_ingredients
-    max_retries = request_data.max_retries
+@app.post("/generate_recipe") # Der API-Endpunkt für Flutter
+async def generate_recipe_api(request_data: RecipeRequest):
+    final_required_ingredients = request_data.required_ingredients
+    if not final_required_ingredients and request_data.ingredients:
+        final_required_ingredients = request_data.ingredients
 
     result_dict = process_recipe_request_logic(
-        required_ingredients, available_ingredients, max_ingredients, max_retries
+        final_required_ingredients,
+        request_data.available_ingredients,
+        request_data.max_ingredients,
+        request_data.max_retries # max_retries wird nur an die Logik übergeben, aber nicht verwendet
     )
-
     return JSONResponse(content=result_dict)
 
-# Gradio-App als Sub-App in die FastAPI-App mounten
-# Dies ist der Standardweg, um Gradio in eine FastAPI-Anwendung einzubetten.
-# Der Gradio-Teil wird dann unter dem Wurzelpfad '/'.
-app = gr.mount_gradio_app(app, demo, path="/") # Gradio unter dem Wurzelpfad mounten
-
-# Wenn du deine App lokal ausführst, kannst du FastAPI mit Uvicorn starten:
-# if __name__ == "__main__":
-#    import uvicorn
-#    uvicorn.run(app, host="0.0.0.0", port=8000)
+@app.get("/")
+async def read_root():
+    return {"message": "AI Recipe Generator API is running (RecipeBERT only, 1 similar ingredient)!"} # Angepasste Nachricht
 
-# Für Hugging Face Spaces ist der if __name__ == "__main__": Block nicht nötig,
-# da Spaces Uvicorn automatisch startet und die "app"-Variable sucht.
+print("INFO: FastAPI application script finished execution and defined 'app' variable.")