Update app.py

app.py

@@ -3,10 +3,7 @@ from transformers import FlaxAutoModelForSeq2SeqLM, AutoTokenizer, AutoModel
 import torch
 import numpy as np
 import random
-import json
-from fastapi import FastAPI, Request
-from fastapi.responses import JSONResponse
-from pydantic import BaseModel
+import json # Beibehalten, da es in flutter_api_generate_recipe verwendet wird
 
 # Lade RecipeBERT Modell (für semantische Zutat-Kombination)
 bert_model_name = "alexdseo/RecipeBERT"
@@ -276,7 +273,8 @@ def generate_recipe_with_t5(ingredients_list, max_retries=5):
         "directions": ["Fehler beim Generieren der Rezeptanweisungen"]
     }
 
-# Diese Funktion wird von der Gradio-UI und der neuen FastAPI-Route aufgerufen.
+# 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.
@@ -308,13 +306,14 @@ def process_recipe_request_logic(required_ingredients, available_ingredients, ma
     except Exception as e:
         return {"error": f"Fehler bei der Rezeptgenerierung: {str(e)}"}
 
-def flutter_api_generate_recipe(ingredients_data):
+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.
+    Diese Funktion wird vom 'hugging_face_chat_gradio'-Paket über die API aufgerufen.
+    Sie erwartet einen JSON-STRING als Eingabe.
     """
     try:
-        data = json.loads(ingredients_data) # Muss ein JSON-String sein
+        # Der 'hugging_face_chat_gradio'-Client sendet das Payload als String.
+        data = json.loads(ingredients_data)
 
         required_ingredients = data.get('required_ingredients', [])
         available_ingredients = data.get('available_ingredients', [])
@@ -325,10 +324,12 @@ def flutter_api_generate_recipe(ingredients_data):
         result_dict = process_recipe_request_logic(
             required_ingredients, available_ingredients, max_ingredients, max_retries
         )
-        return json.dumps(result_dict) # Gibt einen JSON-String zurück
+        return json.dumps(result_dict) # Gibt einen JSON-STRING zurück
 
     except Exception as e:
-        return json.dumps({"error": f"Fehler bei der Rezeptgenerierung: {str(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"""
@@ -356,6 +357,7 @@ def gradio_ui_generate_recipe(required_ingredients_text, available_ingredients_t
         )
 
     except Exception as e:
+        # Fehlermeldung für die Gradio UI
         return f"Fehler: {str(e)}", "", "", ""
 
 # Erstelle die Gradio Oberfläche
@@ -394,23 +396,22 @@ with gr.Blocks(title="AI Rezept Generator") as demo:
                 )
 
     with gr.Tab("API-Test"):
-        gr.Markdown("### Teste die Gradio API (für interne Tests)")
-        gr.Markdown("Dieser Tab verwendet die interne Gradio API für Testzwecke.")
+        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 (Flutter API-Format)",
+            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" # Gradio-interner API-Name
+            api_name="generate_recipe_for_flutter" # Dies ist der api_name, den das Flutter-Paket verwendet
         )
 
         gr.Examples(
@@ -421,46 +422,6 @@ with gr.Blocks(title="AI Rezept Generator") as demo:
             inputs=[api_input]
         )
 
-# --- FastAPI-Integration ---
-app = FastAPI()
-
-class RecipeRequest(BaseModel):
-    required_ingredients: list[str] = []
-    available_ingredients: list[str] = []
-    max_ingredients: int = 7
-    max_retries: int = 5
-
-@app.post("/api/generate_recipe_rest")
-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
-
-    # Abwärtskompatibilität, falls 'ingredients' statt 'required_ingredients' gesendet wird
-    # Dies ist in der FastAPI-Pydantic-Modelldefinition nicht direkt abbildbar,
-    # aber du könntest es manuell hinzufügen, falls nötig, wenn das Pydantic-Modell flexibler wäre.
-    # Für den Einfachheit halber gehen wir davon aus, dass Flutter die korrekten Felder sendet.
-
-    result_dict = process_recipe_request_logic(
-        required_ingredients, available_ingredients, max_ingredients, max_retries
-    )
-
-    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)
-
-# Für Hugging Face Spaces ist der if __name__ == "__main__": Block nicht nötig,
-# da Spaces Uvicorn automatisch startet und die "app"-Variable sucht.
+# Gradio-App starten
+if __name__ == "__main__":
+    demo.launch()