Upload 2 files

main.py

@@ -0,0 +1,162 @@
+from fastapi import FastAPI, HTTPException, Request
+from pydantic import BaseModel
+import firebase_admin
+from firebase_admin import credentials, firestore
+import google.generativeai as genai
+import os
+import json
+import datetime
+
+# --- 1. SETUP & AUTHENTIFIZIERUNG ---
+# Wir lesen die Keys aus den Hugging Face Secrets (Environment Variables)
+firebase_key_json = os.getenv("FIREBASE_KEY")
+gemini_key = os.getenv("GEMINI_API_KEY")
+
+if not firebase_key_json or not gemini_key:
+    # Fallback für lokales Testen (falls du es lokal ausführst)
+    # Ersetze das nur lokal, NICHT im Repo hochladen!
+    print("⚠️ Warnung: Keine ENV-Variables gefunden. Prüfe lokale Config.")
+else:
+    # Firebase initialisieren
+    if not firebase_admin._apps:
+        cred = credentials.Certificate(json.loads(firebase_key_json))
+        firebase_admin.initialize_app(cred)
+
+db = firestore.client()
+
+# Gemini initialisieren (nutzt dein funktionierendes Modell)
+genai.configure(api_key=gemini_key)
+model = genai.GenerativeModel('gemini-2.0-flash')
+
+app = FastAPI()
+
+# --- DATENMODELLE ---
+class SearchRequest(BaseModel):
+    query: str # Das, was der User gefragt hat
+    
+# ======================================================
+# ENDPOINT 1: Vapi fragt Wissen ab (LIVE im Anruf)
+# ======================================================
+@app.post("/search")
+async def search_knowledge(request: SearchRequest):
+    print(f"🔎 Suche nach: {request.query}")
+    
+    # A. Wissen aus Firebase holen (Nur genehmigtes!)
+    docs = db.collection("knowledge_base").where("status", "==", "approved").stream()
+    
+    # Wir bauen einen Text-Kontext für Gemini
+    knowledge_list = []
+    for doc in docs:
+        d = doc.to_dict()
+        # Wir geben Gemini Frage + Antwort als Kontext
+        knowledge_list.append(f"Frage: {d.get('question')}\nAntwort: {d.get('answer')}")
+    
+    context_text = "\n---\n".join(knowledge_list)
+    
+    if not context_text:
+        return {"result": "Leider habe ich dazu keine Informationen in meiner Datenbank."}
+
+    # B. Gemini entscheidet, welche Antwort passt
+    prompt = f"""
+    Du bist der intelligente Assistent "Alex".
+    Ein User fragt: "{request.query}"
+    
+    Hier ist dein geprüftes Wissen:
+    {context_text}
+    
+    Aufgabe:
+    1. Suche die passendste Antwort im Wissen.
+    2. Formuliere sie freundlich und kurz (gesprochene Sprache).
+    3. Wenn die Antwort NICHT im Wissen steht, antworte exakt: "Dazu habe ich leider keine Informationen vorliegen." (Erfinde nichts!)
+    """
+    
+    try:
+        response = model.generate_content(prompt)
+        answer = response.text.strip()
+        print(f"🤖 Antwort: {answer}")
+        return {"result": answer}
+    except Exception as e:
+        print(f"❌ Fehler: {e}")
+        return {"result": "Es gab einen technischen Fehler bei der Abfrage."}
+
+# ======================================================
+# ENDPOINT 2: Lernen (NACH dem Anruf)
+# ======================================================
+@app.post("/learn")
+async def learn_from_call(request: Request):
+    print("🎓 Analysiere Call für Lerneffekt...")
+    
+    try:
+        payload = await request.json()
+        
+        # Vapi sendet das Transkript oft tief verschachtelt
+        # Struktur kann variieren, wir suchen das Feld "transcript" oder "messages"
+        # Hier ein generischer Ansatz für Vapi Webhooks:
+        transcript = ""
+        
+        if "message" in payload and "transcript" in payload["message"]:
+             transcript = payload["message"]["transcript"]
+        elif "transcript" in payload:
+             transcript = payload["transcript"]
+        else:
+            # Fallback: Wir nehmen den ganzen Body als Text, falls Vapi anders sendet
+            transcript = str(payload)
+
+        if not transcript or len(transcript) < 50:
+            return {"status": "skipped", "reason": "Transkript zu kurz oder leer"}
+
+        # --- DER GEMINI LERN-CODE ---
+        prompt = f"""
+        Analysiere dieses Telefonat-Transkript.
+        Identifiziere Fragen, die der Bot NICHT oder nur schlecht beantworten konnte.
+        
+        Erstelle für jede Wissenslücke einen neuen Datenbank-Eintrag.
+        
+        Format (JSON Array):
+        [
+          {{
+            "question": "Die Frage des Kunden",
+            "answer": "Die ideale Antwort (formuliere sie professionell)",
+            "keywords": ["keyword1", "keyword2"],
+            "category": "Call-Analyse"
+          }}
+        ]
+        
+        Wenn alles gut lief und keine Lücken da sind, antworte mit einem leeren Array [].
+        
+        Transkript:
+        {transcript[:15000]}
+        """
+
+        response = model.generate_content(prompt)
+        clean_json = response.text.replace("```json", "").replace("```", "").strip()
+        
+        if not clean_json:
+            return {"status": "no_data_generated"}
+
+        new_knowledge = json.loads(clean_json)
+        
+        # Speichern in Firebase (als PENDING zur Prüfung)
+        batch = db.batch()
+        count = 0
+        for entry in new_knowledge:
+            doc_ref = db.collection("knowledge_base").document()
+            doc_data = {
+                "question": entry.get("question"),
+                "answer": entry.get("answer"),
+                "keywords": entry.get("keywords", []),
+                "category": "Auto-Learning",
+                "status": "pending",  # WICHTIG: Muss erst von dir genehmigt werden!
+                "source": "Call Analysis",
+                "created_at": firestore.SERVER_TIMESTAMP
+            }
+            batch.set(doc_ref, doc_data)
+            count += 1
+            
+        batch.commit()
+        print(f"✅ {count} neue Einträge zur Prüfung angelegt.")
+        return {"status": "success", "entries_created": count}
+
+    except Exception as e:
+        print(f"❌ Fehler beim Lernen: {e}")
+        return {"status": "error", "details": str(e)}

requirements.txt

@@ -1,3 +1,22 @@
-altair
+streamlit>=1.33
 pandas
-streamlit
+openai
+google-generativeai
+firebase-admin
+google-cloud-firestore
+duckduckgo-search
+tiktoken
+requests
+beautifulsoup4
+python-dotenv
+lxml
+apify-client
+google-api-python-client
+google-auth
+google-auth-httplib2
+google-auth-oauthlib
+openpyxl
+xlsxwriter
+fastapi
+uvicorn
+pydantic