ΔΣ::TORI - Integrate huggingface_hub for proper LLM API access

SETUP.md

@@ -1 +1,25 @@
- 
+# ΔΣ::TORI - Настройка API Токена
+
+## Для работы LLM анализа необходимо настроить API токен
+
+### 1. В Hugging Face Space Settings:
+1. Перейдите в https://huggingface.co/spaces/stephansolncev/TORI/settings
+2. В разделе "Repository secrets" добавьте:
+   - **Name**: `HF_TOKEN`
+   - **Value**: [Ваш Hugging Face API токен]
+
+### 2. Локальная разработка:
+```bash
+export HF_TOKEN=[ваш_токен]
+```
+
+### 3. Проверка:
+После настройки токена система будет:
+- ✅ Выполнять LLM анализ состояния сознания через microsoft/phi-1_5
+- ✅ Генерировать рекомендации по саморегуляции
+- ✅ Анализировать феноменологические метрики
+
+### 4. Без токена:
+- ⚠️ Система работает в fallback режиме с улучшенным анализом
+- ⚠️ LLM анализ недоступен
+- ✅ Все остальные функции работают нормально 

config.py

@@ -5,7 +5,11 @@ Configuration for TORI Consciousness System
 import os
 
 # Hugging Face API Configuration
-HF_API_TOKEN = os.getenv("HF_API_TOKEN", "hf_test_token")
+# Токен должен быть установлен как переменная окружения HF_TOKEN
+HF_API_TOKEN = os.getenv("HF_TOKEN")
+if not HF_API_TOKEN:
+    print("⚠️  Warning: HF_TOKEN not set. LLM analysis will use fallback mode.")
+    HF_API_TOKEN = "hf_test_token"
 
 # Logging Configuration
 LOG_LEVEL = os.getenv("LOG_LEVEL", "INFO")

llm_integration.py

@@ -11,6 +11,7 @@ import time
 import logging
 from typing import Dict, List, Optional, Any
 import os
+from huggingface_hub import InferenceClient
 from config import HF_API_TOKEN, MODEL_URL
 
 # Настройка логирования
@@ -34,12 +35,19 @@ class LLMAnalyzer:
         """
         # Используем конфигурацию
         self.api_token = api_token or HF_API_TOKEN
-        self.model_url = MODEL_URL
+        self.model_name = "microsoft/phi-1_5"  # Используем оригинальную модель
         logger.info(f"Initialized LLM analyzer with API token: {self.api_token[:10]}...")
-        self.headers = {
-            "Authorization": f"Bearer {self.api_token}",
-            "Content-Type": "application/json"
-        }
+        
+        # Инициализируем Inference Client
+        try:
+            self.client = InferenceClient(
+                provider="featherless-ai",
+                api_key=self.api_token
+            )
+            logger.info("InferenceClient initialized successfully")
+        except Exception as e:
+            logger.warning(f"Failed to initialize InferenceClient: {e}")
+            self.client = None
         
         # Кэш для анализа
         self.analysis_cache = {}
@@ -131,75 +139,42 @@ class LLMAnalyzer:
     
     def _make_llm_request(self, prompt: str) -> Dict[str, Any]:
         """
-        Выполнение запроса к LLM API.
+        Выполнение запроса к LLM API через huggingface_hub.
         """
         try:
             self.request_count += 1
-            logger.info(f"Making LLM request #{self.request_count} to {self.model_url}")
+            logger.info(f"Making LLM request #{self.request_count} to {self.model_name}")
             logger.debug(f"Request payload: {prompt[:200]}...")
             
-            # Проверяем доступность модели
-            health_check = requests.get(self.model_url, headers=self.headers, timeout=10)
-            if health_check.status_code != 200:
-                logger.warning(f"Model not available, using fallback analysis")
+            # Проверяем доступность клиента
+            if self.client is None:
+                logger.warning("InferenceClient not available, using fallback analysis")
                 return {
                     "success": False,
-                    "error": f"Model not available: {health_check.status_code}"
+                    "error": "InferenceClient not initialized"
                 }
             
-            payload = {
-                "inputs": prompt,
-                "parameters": {
-                    "max_new_tokens": 512,
-                    "temperature": 0.7,
-                    "top_p": 0.9,
-                    "do_sample": True,
-                    "return_full_text": False
-                }
-            }
-            
-            response = requests.post(
-                self.model_url,
-                headers=self.headers,
-                json=payload,
-                timeout=30
+            # Выполняем запрос через huggingface_hub
+            result = self.client.text_generation(
+                prompt,
+                model=self.model_name,
+                max_new_tokens=512,
+                temperature=0.7,
+                top_p=0.9,
+                do_sample=True
             )
             
-            if response.status_code == 200:
-                result = response.json()
-                logger.info(f"LLM request successful, response length: {len(str(result))}")
-                if isinstance(result, list) and len(result) > 0:
-                    return {
-                        "success": True,
-                        "text": result[0].get("generated_text", "")
-                    }
-                else:
-                    logger.warning(f"Unexpected response format: {result}")
-                    return {
-                        "success": False,
-                        "error": f"Unexpected response format: {result}"
-                    }
-            else:
-                logger.error(f"LLM API error {response.status_code}: {response.text}")
-                return {
-                    "success": False,
-                    "error": f"API Error {response.status_code}: {response.text}"
-                }
-                
-        except requests.exceptions.Timeout:
-            return {
-                "success": False,
-                "error": "Request timeout"
-            }
-        except requests.exceptions.RequestException as e:
+            logger.info(f"LLM request successful, response length: {len(str(result))}")
             return {
-                "success": False,
-                "error": f"Request failed: {str(e)}"
+                "success": True,
+                "text": result
             }
+                
         except Exception as e:
+            logger.error(f"LLM request failed: {str(e)}")
             return {
                 "success": False,
-                "error": f"Unexpected error: {str(e)}"
+                "error": f"Request failed: {str(e)}"
             }
     
     def _parse_llm_response(self, response_text: str, phenomenological_data: Dict[str, float]) -> Dict[str, Any]:

requirements.txt

@@ -12,4 +12,5 @@ matplotlib>=3.5.0
 seaborn>=0.11.0
 plotly>=5.10.0
 pandas>=1.4.0
-scipy>=1.9.0 
+scipy>=1.9.0
+huggingface_hub>=0.19.0