Update app.py

app.py

@@ -1,56 +1,4 @@
-def format_final_evaluation(total_evaluations, message_count):
-    """Formatiert die finale Gesamtauswertung in professionellem Format"""
-    # Durchschnittsscore berechnen
-    avg_score = sum(total_evaluations["scores"]) / len(total_evaluations["scores"]) if total_evaluations["scores"] else 0
-    final_score = max(0, min(5, avg_score + 3))  # Normalisierung auf 0-5
-    
-    # Häufigkeiten zählen
-    from collections import Counter
-    positive_counts = Counter(total_evaluations["positive"])
-    improvement_counts = Counter(total_evaluations["improvement"])
-    
-    # Professionelle Formatierung
-    feedback = f"""# PROFESSIONELLE GESPRÄCHSFÜHRUNGSANALYSE
-
-## EXECUTIVE SUMMARY
-
-**Analysierte Gesprächseinheiten:** {message_count}  
-**Gesamtbewertung:** {final_score:.1f}/5.0 Punkten  
-**Bewertungsverfahren:** KI-gestützte Analyse nach evidenzbasierten Kriterien  
-**Analysedatum:** {__import__('datetime').datetime.now().strftime('%d.%m.%Y %H:%M')}
-
----
-
-## GESAMTBEURTEILUNG
-
-"""
-    
-    # Professionelle Gesamteinschätzung
-    if final_score >= 4.5:
-        feedback += """**KOMPETENZLEVEL: EXPERTE (4.5-5.0)**
-
-Die Analyse zeigt eine hochprofessionelle Gesprächsführung, die evidenzbasierte Prinzipien der therapeutischen Kommunikation konsequent umsetzt. Die Interaktion entspricht aktuellen Standards der Krisenintervention im Bildungskontext."""
-    elif final_score >= 3.5:
-        feedback += """**KOMPETENZLEVEL: FORTGESCHRITTEN (3.5-4.4)**
-
-Solide professionelle Gesprächsführung mit deutlichen Stärken in der empathischen Kommunikation. Die Grundprinzipien werden überwiegend korrekt angewendet, einzelne Optimierungsbereiche wurden identifiziert."""
-    elif final_score >= 2.5:
-        feedback += """**KOMPETENZLEVEL: GRUNDLAGEN VORHANDEN (2.5-3.4)**
-
-Wesentliche Grundlagen der professionellen Gesprächsführung sind erkennbar. Zur Erreichung des Fachstandards sind jedoch signifikante Verbesserungen in mehreren Kompetenzbereichen erforderlich."""
-    else:
-        feedback += """**KOMPETENZLEVEL: ENTWICKLUNGSBEDARF (0-2.4)**
-
-Die Analyse zeigt erheblichen Entwicklungsbedarf in den Grundlagen der professionellen Gesprächsführung. Eine systematische Fortbildung gemäß aktueller Fachstandards wird dringend empfohlen."""
-    
-    feedback += "\n\n---\n\n"
-    
-    # Kompetenzprofil
-    if positive_counts:
-        feedback += "## KOMPETENZPROFIL - STÄRKEN\n\n"
-        
-        professional_descriptions = {
-            "Sorimport gradio as gr
+import gradio as gr
 import openai
 import os
 from openai import OpenAI
@@ -193,29 +141,6 @@ def test_api_connection():
     except Exception as e:
         return f"❌ API Error: {str(e)}"
 
-def evaluate_conversation():
-    """Evaluiert das gesamte Gespräch mit LLM-basierter Analyse"""
-    if not conversation_history:
-        return "🤔 **Noch kein Gespräch geführt**\n\nBitte führe erst ein Gespräch, bevor du eine Auswertung anforderst."
-    
-    # Nur User-Nachrichten analysieren
-    user_messages = [msg["content"] for msg in conversation_history if msg["role"] == "user"]
-    
-    if not user_messages:
-        return "🤔 **Keine Nachrichten zu bewerten**\n\nEs wurden noch keine Nachrichten von dir gesendet."
-    
-    # Sammle alle LLM-Bewertungen
-    total_evaluations = {"positive": [], "improvement": [], "scores": [], "explanations": []}
-    
-    for message in user_messages:
-        evaluation = analyze_single_message(message)
-        total_evaluations["positive"].extend(evaluation["positive"])
-        total_evaluations["improvement"].extend(evaluation["improvement"])
-        total_evaluations["scores"].append(evaluation["score"])
-        total_evaluations["explanations"].append(evaluation.get("explanation", ""))
-    
-    return format_final_evaluation(total_evaluations, len(user_messages))
-
 def analyze_single_message(user_message):
     """Analysiert eine einzelne Nachricht mit LLM-basierter Evaluation"""
     if not user_message.strip():
@@ -322,6 +247,29 @@ def fallback_evaluation(user_message):
         "explanation": "Automatische Fallback-Bewertung (LLM nicht verfügbar)"
     }
 
+def evaluate_conversation():
+    """Evaluiert das gesamte Gespräch mit LLM-basierter Analyse"""
+    if not conversation_history:
+        return "🤔 **Noch kein Gespräch geführt**\n\nBitte führe erst ein Gespräch, bevor du eine Auswertung anforderst."
+    
+    # Nur User-Nachrichten analysieren
+    user_messages = [msg["content"] for msg in conversation_history if msg["role"] == "user"]
+    
+    if not user_messages:
+        return "🤔 **Keine Nachrichten zu bewerten**\n\nEs wurden noch keine Nachrichten von dir gesendet."
+    
+    # Sammle alle LLM-Bewertungen
+    total_evaluations = {"positive": [], "improvement": [], "scores": [], "explanations": []}
+    
+    for message in user_messages:
+        evaluation = analyze_single_message(message)
+        total_evaluations["positive"].extend(evaluation["positive"])
+        total_evaluations["improvement"].extend(evaluation["improvement"])
+        total_evaluations["scores"].append(evaluation["score"])
+        total_evaluations["explanations"].append(evaluation.get("explanation", ""))
+    
+    return format_final_evaluation(total_evaluations, len(user_messages))
+
 def format_final_evaluation(total_evaluations, message_count):
     """Formatiert die finale Gesamtauswertung in professionellem Format ohne Scores"""
     # Häufigkeiten zählen