Update app.py

app.py

@@ -115,11 +115,19 @@ class PromptManager:
 # 2. CORE SERVICES (API & UI Helpers)
 # ==========================================
 class LLMService:
-    """Kapselt die gesamte API-Kommunikation mit Hugging Face."""
+    """Kapselt die gesamte API-Kommunikation mit Hugging Face und trackt sie in MLflow Traces."""
     def __init__(self):
         self.client = InferenceClient(token=os.getenv("HF_TOKEN"))
 
+    # NEU: Dieser Decorator erzeugt den wunderschönen Eintrag in der MLflow "Traces" UI
+    @mlflow.trace(name="LLM_Turn", span_type="LLM")
     def ask(self, model_id, system_prompt, user_input):
+        
+        # Wir holen uns den aktuellen "Trace" und füttern ihn mit den Inputs für die UI
+        span = mlflow.get_current_active_span()
+        if span:
+            span.set_inputs({"Model": model_id, "System_Prompt": system_prompt, "User_Input": user_input})
+
         messages = [
             {"role": "system", "content": system_prompt},
             {"role": "user", "content": user_input}
@@ -131,8 +139,17 @@ class LLMService:
             ):
                 if hasattr(chunk, "choices") and chunk.choices and len(chunk.choices) > 0:
                     response += chunk.choices[0].delta.content or ""
+            
+            # Wenn die KI fertig ist, speichern wir ihre Antwort im Trace
+            if span:
+                span.set_outputs({"Response": response})
+                
             return response
         except Exception as e:
+            # Bei einem Fehler färbt MLflow den Trace rot ein
+            if span:
+                span.set_status("ERROR")
+                span.set_outputs({"Error": str(e)})
             return f"🚨 System Error ({model_id}): {str(e)}"
 
 class UIHelper:
@@ -229,28 +246,6 @@ class PlenumOrchestrator:
         history.append({"role": "assistant", "content": final_res})
         yield history
 
-        # ==========================================
-        # MLFLOW TRACKING BLOCK (DagsHub)
-        # ==========================================
-        try:
-            # Speichert die Daten deines aktuellen Durchlaufs
-            with mlflow.start_run(run_name="PromptPlenum_Session"):
-                
-                # Basis-Parameter loggen
-                mlflow.log_param("user_prompt_length", len(user_prompt))
-                mlflow.log_param("discussion_rounds", rounds)
-                mlflow.log_param("moderator_model", MODERATOR_MODEL)
-                
-                # Die Textblöcke als lesbare Dateien (Artefakte) hochladen
-                mlflow.log_text(user_prompt, "inputs/user_prompt.txt")
-                mlflow.log_text(discussion_history, "logs/full_discussion.txt")
-                mlflow.log_text(consensus_res, "logs/moderator_consensus.txt")
-                mlflow.log_text(final_res, "outputs/final_result.txt")
-                
-            print("✅ MLflow Logging erfolgreich.")
-        except Exception as e:
-            print(f"⚠️ MLflow Logging fehlgeschlagen: {e}")
-
 # Instanziiere den Orchestrator
 orchestrator = PlenumOrchestrator()