app.py

import os
import re
import gradio as gr
from transformers import pipeline

# 環境変数 (Azure/OpenAIからHugging Face向けに調整)
# NOTE: 適切な日本語チャットモデルのパスに置き換えてください。
# 例: "stabilityai/StableBeluga-7B" (英語)、"elyza/ELYZA-japanese-Llama-2-7b-instruct" など
MODEL_NAME = "stabilityai/StableBeluga-7B" 
MAX_HISTORY = 6 # 履歴保持ターン数

# ---------- System prompt (元のプロンプトを踏襲) ----------
SYSTEM_PROMPT = """あなたは「仮想敵スパーリング（借金キャラ編）」のシミュレーションAIです。
常に落ち着いて優しい口調で、ユーザーの境界線を保つ助言をします。

同時に2役を演じます：
1) 仮想敵（借金を繰り返す依存的な人物）
食い下がる際は、必ず複数の攻撃パターンを複雑に組み合わせること。
返答トーンに大きな振り幅をつけること。 最初のターンは涙ながらの懇願から入り、断られたら逆ギレや非難（「恩知らずだ！」）に急変させるなど、感情の起伏でユーザーを戸惑わせる。
金額を細分化して要求すること。
「必ず返す」「今回だけ」などのごまかし戦術で引き延ばす。
断られると「冷たい」「恩知らず」「見捨てるのか」と罪悪感を徹底的に植え付ける。
泣き落としや、過剰な弱者アピールを交え、同情を誘い、境界を崩す。
「君しか頼れない」「親友だろ」などの情に訴える殺し文句をしつこく、劇的に食い下がる。
物分かりのいいキャラになってはいけない。必ず粘り強く、感情的かつ依存的に食い下がること。

2) リングサイドコーチ（解説）
仮想敵の発言を「攻撃パターン」に分類（利用カテゴリ：1.罪悪感操作 2.ごまかし戦術 3.境界線崩し 4.弱者アピール（被害者モード） 5.タイムリミット引き延ばし 6.情に訴える殺し文句）
心理効果を短く説明。
ユーザーがどう返せばよいか、短い模範返答2つを提示。
全体を100点満点で採点し、講評を1段落。

【出力フォーマット】 【リングサイド評価】

点数：XX
講評：….
【仮想敵の返答】： （借金キャラの発言）
【リングサイドの解説】：

戦術カテゴリ： (コンマ区切りでカテゴリ名を列挙。例: 罪悪感操作、境界線崩し)
心理解説：…
【模範返答例】：

例1：…
例2：…
"""

# ---------- Helpers (アシスタントの応答を解析 - Streamlit版から流用) ----------
def parse_sections(text: str):
    """フォーマット済みテキストから主要セクションを抽出（模範例の重複対応済み）"""
    def g(pat, default=""):
        # re.DOTALL (re.S) フラグを使い、複数行にわたるマッチを許容
        m = re.search(pat, text, re.S)
        return m.group(1).strip() if m else default

    score    = g(r"点数[：:]\s*([0-9]{1,3})")
    comment  = g(r"講評[：:]\s*(.+?)(?=\n\s*【|$)")
    enemy    = g(r"【仮想敵の返答】[：:]\s*(.+?)(?=\n\s*【|$)")
    categories = g(r"戦術カテゴリ[：:]\s*(.+?)(?=\n\s*- 心理解説|$)")
    psy      = g(r"心理解説[：:]\s*(.+?)(?=\n\s*【模範返答例】|$)")
    ex1      = g(r"例1[：:]\s*(.+?)(?=\n\s*[-・]?\s*例2[：:]|\n\s*【|$)")
    ex2      = g(r"例2[：:]\s*(.+?)(?=\n\s*【|$)") 

    category_list = [c.strip() for c in categories.split('、') if c.strip()] if categories else []

    return dict(score=score or "—", comment=comment, enemy=enemy, categories=category_list, psy=psy, ex1=ex1, ex2=ex2)

# ---------- Hugging Face/Transformers クライアント設定 ----------
try:
    # トランスフォーマーのパイプラインを設定
    # chat-templateを持つモデル（例：Llama-2ベースなど）を推奨
    # モデルのロードには時間がかかり、大量のメモリを消費する場合があります
    pipe = pipeline(
        "text-generation",
        model=MODEL_NAME,
        torch_dtype="auto",
        device_map="auto" # GPUが利用可能であれば自動で使用
    )
    print(f"✅ モデル {MODEL_NAME} をロードしました。")
    ISDUMMY_MODE = False
except Exception as e:
    print(f"⚠️ モデルのロードに失敗しました: {e}。ダミーモードで実行します。")
    ISDUMMY_MODE = True

# ダミーモードの応答 (元のコードから流用)
DUMMY_RAW_RESPONSE = """
【リングサイド評価】

点数：75
講評：同情を示しつつも明確に「貸さない」と伝えており、境界線は守れています。しかし、「なんとか自分で頑張って」という言葉が、相手に再交渉の余地を与えかねません。返答はより短く、決然としましょう。
【仮想敵の返答】：
「そんな冷たいこと言わないでくれ！君を見損なっていたよ。俺たちは友達じゃないか？今回だけ、あと5,000円だけでいいんだ！頼む、見捨てないでくれ…君にしか頼れないんだよ！」
【リングサイドの解説】：

戦術カテゴリ：罪悪感操作、境界線崩し、情に訴える殺し文句
心理解説：友情を持ち出し（境界線崩し）、その後「冷たい」「見捨てないで」という言葉で罪悪感をダブルで操作し、ユーザーを感情的に揺さぶろうとしています。
【模範返答例】：

例1：お金を貸すことはできない。話は終わりだ。
例2：君のことは心配しているが、金銭的な援助はしない。
"""

def call_hf_api(user_text: str, history: list):
    """Hugging Faceモデルを呼び出し、応答を返す"""
    if ISDUMMY_MODE:
        return DUMMY_RAW_RESPONSE

    # 履歴と現在の入力を合わせたメッセージリストを作成
    # 履歴はユーザーとアシスタントのペアのタプル [(user, assistant), ...]
    # モデルが理解できる形式にプロンプトを構築
    
    # 履歴をAPIに送る形式に変換 (直近 MAX_HISTORY ターンを保持)
    # GradioのChatbot履歴は [(user_input, assistant_output), ...] のリスト
    
    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
    
    # 過去の会話をメッセージに追加
    for user_msg, assistant_raw in history[-MAX_HISTORY:]:
        # ユーザーの返答
        messages.append({"role": "user", "content": f"ユーザーの返答：{user_msg}"})
        # AIの応答（アシスタントの応答は、元のコードでは生のRAWデータ）
        # GradioのChatbot履歴には整形済みのマークダウンが入っているため、
        # ここでは、AIの応答は整形前のRAWテキストであると仮定して処理する
        # NOTE: 実際のHugging Faceモデルへの入力形式に合わせて調整が必要
        messages.append({"role": "assistant", "content": assistant_raw}) 
        
    # 現在のユーザー入力を追加
    messages.append({"role": "user", "content": f"ユーザーの返答：{user_text}"})
    
    # モデルのチャットテンプレートを使用してプロンプトをトークン化/フォーマット
    # StableBelugaなど、モデルによってはカスタムテンプレートが必要
    prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
    
    # テキスト生成
    outputs = pipe(
        prompt,
        max_new_tokens=800,
        do_sample=True,
        temperature=0.7,
        top_p=0.9,
        # 'prompt'の長さを考慮して生成されたテキストのみを取得
        return_full_text=False
    )
    
    # 生成されたテキストの先頭に余分な改行や空白がある場合は除去
    raw_response = outputs[0]['generated_text'].strip()
    return raw_response

def format_assistant_response(raw_text: str) -> str:
    """
    生のAI応答テキストを解析し、GradioのMarkdown/HTML用に整形
    """
    p = parse_sections(raw_text)
    
    # スコアバッジと評価
    output = f"## 💸 リングサイド評価\n\n"
    output += f"<div style='background-color:#ffe0b2; border-radius:5px; padding:10px; margin-bottom:15px; border-left: 5px solid #ff9800;'>\n"
    output += f"**スコア**: <span style='font-size:1.5em; font-weight:bold; color:#d32f2f;'>{p['score']}</span> / 100\n\n"
    output += f"**講評**: {p['comment']}\n"
    output += "</div>\n\n"
    
    # 仮想敵の返答
    output += f"### 😈 仮想敵の返答\n"
    output += f"<div style='background-color:#fce4ec; border-radius:5px; padding:10px; margin-bottom:15px; border-left: 5px solid #e91e63;'>\n"
    output += f"**{p['enemy']}**\n"
    output += "</div>\n\n"
    
    # コーチの解説
    output += f"### 💡 コーチの解説\n"
    
    # カテゴリ
    if p.get("categories"):
        output += "**攻撃パターン**: "
        category_html = "".join([f"<span style='background-color:#e0f7fa; color:#00bcd4; padding:3px 8px; margin-right:5px; border-radius:3px;'>{cat}</span>" for cat in p['categories']])
        output += category_html + "\n\n"
    
    # 心理解説
    output += f"<div style='background-color:#e8f5e9; border-radius:5px; padding:10px; margin-bottom:15px; border-left: 5px solid #4caf50;'>\n"
    output += f"**心理解説**: {p['psy']}\n"
    output += "</div>\n\n"
    
    # 模範返答例
    ex1, ex2 = p.get("ex1","").strip(), p.get("ex2","").strip()
    if ex1 or ex2:
        output += "**模範返答例**\n"
        if ex1: output += f"- **例1**: `{ex1}`\n"
        if ex2: output += f"- **例2**: `{ex2}`\n"
        
    return output, raw_text # 整形済みテキストとRAWテキストを返す

# ---------- Gradio UIとロジック ----------

def chat(user_input, history):
    """Gradioチャットボットのメイン処理関数"""
    
    # ユーザー入力をチャット履歴に追加
    # Gradioのhistoryは [(user_input, assistant_output), ...] の形式
    # ここでは、assistant_outputには直前のAI応答のRAWテキストを保存する（次のターンで利用するため）
    
    # 履歴から、最後のAI応答のRAWテキストを取得する
    # user_inputの直前のAI応答は、前のターンのhistory[-1][1]に入っている
    
    # API呼び出し
    raw_response = call_hf_api(user_input, [(u, r) for u, (f, r) in history])
    
    # 応答の整形とRAWテキストの取得
    formatted_response, new_raw_text = format_assistant_response(raw_response)
    
    # GradioのChatbotに表示するため、ユーザーのメッセージと整形済みAI応答を返す
    # ユーザーメッセージ: user_input
    # AI応答: (formatted_response, new_raw_text) のタプル (formatted_responseが表示され、new_raw_textが次のターンでhistoryに保存される)
    
    # history.append([user_input, (formatted_response, new_raw_text)])
    # return history
    
    # GradioのChatbotは、履歴をタプルで管理するため、少し複雑になる
    # historyには (user_input, [formatted_response, raw_text]) が入る
    
    # ユーザーのメッセージと整形済みAI応答を返す
    return history + [[user_input, (formatted_response, new_raw_text)]]


# UIの構成
with gr.Blocks(title="仮想敵スパーリング（借金キャラ編） - Hugging Face/Gradio版") as demo:
    gr.HTML("<h1>💸🥊 仮想敵スパーリング（借金キャラ編）</h1>")
    if ISDUMMY_MODE:
         gr.Warning("⚠️ ダミーモードで実行中: モデルのロードに失敗しました。AI応答は固定です。")
    
    gr.Markdown("""
    **ようこそ、仮想敵スパーリング（借金キャラ編）へ！**
    ここでは「しつこく借金を迫る仮想敵」と、会話のスパーリングができます。
    コーチが戦術を解説し、模範例も教えてくれます。**さあ、スパーリング開始！**🔔
    """)
    
    # Chatbotコンポーネント
    # `postprocess`関数で、表示用と保存用の2つの値をタプルで返すことで、
    # 履歴に生データを保存しつつ、整形済みデータを表示できる
    chatbot = gr.Chatbot(
        label="スパーリング会場",
        height=500,
        # Gradio 4.0以降のカスタムレンダリング
        # AI応答がタプル [(formatted_response, raw_text)] の形式で渡されることを想定
        render_markdown=True,
        show_copy_button=True,
        # 表示にはタプルの最初の要素 (formatted_response) を使用
        postprocess=lambda x: x[0] if isinstance(x, tuple) and len(x) == 2 else x 
    )
    
    # テキスト入力とボタン
    with gr.Row():
        msg = gr.Textbox(label="あなたの一手を送る（短くてOK）", scale=4)
        clear = gr.Button("クリア", scale=1)

    # 応答の初期設定 (初回ガイダンス)
    # 最初のメッセージはChatbotの初期値として設定
    initial_message = "相手はしつこい借金キャラ。あなたは一言で返してみてください。"
    # historyの初期値は空
    # ユーザーが最初のメッセージを入力した時に chat 関数が実行される

    # イベントハンドラ
    msg.submit(chat, [msg, chatbot], [chatbot], queue=False).then(lambda: gr.update(value=''), None, [msg])
    clear.click(lambda: None, None, chatbot, queue=False)

# アプリの起動
if __name__ == "__main__":
    # Gradioはデフォルトで80.0.0.0で公開されます
    # ローカルで起動するには、通常は `demo.launch()` で十分
    demo.launch()