app.py

import gradio as gr
import torch
import unicodedata
import re
import numpy as np
from pathlib import Path
from transformers import AutoTokenizer, AutoModel # AutoModelForCausalLM μπορεί να είναι πιο κατάλληλο για Instruct μοντέλα, αλλά για embeddings το AutoModel συχνά αρκεί.
from sklearn.feature_extraction.text import HashingVectorizer
from sklearn.preprocessing import normalize as sk_normalize
import chromadb
import joblib
import pickle
import scipy.sparse
import textwrap
import os
import json # Για το διάβασμα του JSON κατά το setup
import tqdm.auto as tq # Για progress bars κατά το setup

# --------------------------- CONFIG για ChatbotVol108 (Meltemi) -----------------------------------
# --- Ρυθμίσεις Μοντέλου και Βάσης Δεδομένων ---
MODEL_NAME            = "ilsp/Meltemi-7B-Instruct-v1.5" # ΝΕΟ ΜΟΝΤΕΛΟ
PERSISTENT_STORAGE_ROOT = Path("/data") # Για Hugging Face Spaces Persistent Storage (ή τοπικό path)
# Προσαρμοσμένα paths για το νέο project και μοντέλο
DB_DIR_APP            = PERSISTENT_STORAGE_ROOT / "chroma_db_ChatbotVol108_Meltemi"
COL_NAME              = "collection_chatbotvol108_meltemi"
ASSETS_DIR_APP        = PERSISTENT_STORAGE_ROOT / "assets_ChatbotVol108_Meltemi"

# Το dataset14.json πρέπει να υπάρχει στο root του Hugging Face Space repository σας
DATA_PATH_FOR_SETUP = "./dataset14.json"
# ---------------------------------------------
# --- Ρυθμίσεις για Google Cloud Storage για τα PDF links ---
GCS_BUCKET_NAME = "chatbotthesisihu" # Το δικό σας GCS Bucket Name
GCS_PUBLIC_URL_PREFIX = f"https://storage.googleapis.com/{GCS_BUCKET_NAME}/"
# -------------------------------------------------------------
# --- Παράμετροι Αναζήτησης και Μοντέλου ---
CHUNK_SIZE            = 512 # Μπορεί να αυξηθεί αν το context window του Meltemi είναι μεγαλύτερο, αλλά προσέξτε τη VRAM
CHUNK_OVERLAP         = 40
BATCH_EMB             = 8  # Μειωμένο από 32. Προσαρμόστε ανάλογα με τη VRAM σας. Για 7B μοντέλα, ίσως χρειαστεί και μικρότερο (π.χ. 4 ή 8).
ALPHA_BASE            = 0.2 # Αυτές οι τιμές alpha ήταν βελτιστοποιημένες για το BERT. Μπορεί να χρειαστούν νέα βελτιστοποίηση.
ALPHA_LONGQ           = 0.35
DEVICE                = "cuda" if torch.cuda.is_available() else "cpu"

print(f"Running ChatbotVol108 on device: {DEVICE}")
print(f"Using model: {MODEL_NAME}")
if DEVICE == "cuda":
    print(f"CUDA Device Name: {torch.cuda.get_device_name(0)}")
    print(f"CUDA Device Capability: {torch.cuda.get_device_capability(0)}")

# === ΛΟΓΙΚΗ ΔΗΜΙΟΥΡΓΙΑΣ ΒΑΣΗΣ ΚΑΙ ASSETS (Αν δεν υπάρχουν) ===
def setup_database_and_assets():
    print("Checking if database and assets need to be created for ChatbotVol108 (Meltemi)...")
    run_setup = True
    if DB_DIR_APP.exists() and ASSETS_DIR_APP.exists() and (ASSETS_DIR_APP / "ids.pkl").exists():
        try:
            client_check = chromadb.PersistentClient(path=str(DB_DIR_APP.resolve()))
            collection_check = client_check.get_collection(name=COL_NAME)
            if collection_check.count() > 0:
                print("✓ Database and assets appear to exist and collection is populated. Skipping setup.")
                run_setup = False
            else:
                print("Collection exists but is empty. Proceeding with setup.")
                if DB_DIR_APP.exists():
                    import shutil
                    print(f"Attempting to clean up existing empty/corrupt DB directory: {DB_DIR_APP}")
                    shutil.rmtree(DB_DIR_APP)
        except Exception as e_check:
            print(f"Database or collection check failed (Error: {e_check}). Proceeding with setup.")
            if DB_DIR_APP.exists():
                import shutil
                print(f"Attempting to clean up existing corrupt DB directory: {DB_DIR_APP}")
                shutil.rmtree(DB_DIR_APP)
    if not run_setup:
        return True

    print(f"!!! Database/Assets not found or incomplete for ChatbotVol108 (Meltemi). Starting setup process...")
    print(f"!!! This may take a very long time, especially on the first run with Meltemi-7B !!!")
    ASSETS_DIR_APP.mkdir(parents=True, exist_ok=True)
    DB_DIR_APP.mkdir(parents=True, exist_ok=True)

    def _strip_acc_setup(s:str)->str: return ''.join(ch for ch in unicodedata.normalize('NFD', s) if not unicodedata.combining(ch))
    _STOP_SETUP = {"σχετικο","σχετικά","με","και"}
    def _preprocess_setup(txt:str)->str:
        txt = _strip_acc_setup(txt.lower())
        txt = re.sub(r"[^a-zα-ω0-9 ]", " ", txt)
        txt = re.sub(r"\s+", " ", txt).strip()
        return " ".join(w for w in txt.split() if w not in _STOP_SETUP)

    def _chunk_text_setup(text, tokenizer_setup):
        # Η λογική chunking παραμένει ίδια, βασίζεται στο tokenizer και CHUNK_SIZE
        token_ids = tokenizer_setup.encode(text, add_special_tokens=False)
        if len(token_ids) <= (CHUNK_SIZE - tokenizer_setup.model_max_length + tokenizer_setup.max_len_single_sentence): # Προσαρμογή για special tokens αν υπάρχουν
             return [text]
        ids_with_special_tokens = tokenizer_setup(text, truncation=False, padding=False)["input_ids"]
        effective_chunk_size = CHUNK_SIZE
        step = effective_chunk_size - CHUNK_OVERLAP
        chunks = []
        for i in range(0, len(ids_with_special_tokens), step):
            current_chunk_ids = ids_with_special_tokens[i:i+effective_chunk_size]
            if not current_chunk_ids: break
            if len(chunks) > 0 and len(current_chunk_ids) < CHUNK_OVERLAP:
                 if len(ids_with_special_tokens) - i < effective_chunk_size: pass
                 else: break
            decoded_chunk = tokenizer_setup.decode(current_chunk_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True).strip()
            if decoded_chunk: chunks.append(decoded_chunk)
        return chunks if chunks else [text]

    # ΝΕΑ ΣΥΝΑΡΤΗΣΗ ΓΙΑ MEAN POOLING EMBEDDINGS (κατάλληλη για decoder-only models όπως το Meltemi)
    def _mean_pooling_embed_setup(texts, tokenizer_setup, model_setup, device_setup, bs=BATCH_EMB, max_length_embed=CHUNK_SIZE):
        out_embeddings = []
        model_setup.eval() # Βεβαιωθείτε ότι το μοντέλο είναι σε eval mode
        for i in tq.tqdm(range(0, len(texts), bs), desc="Embedding texts for DB setup (Mean Pooling)"):
            batch_texts = texts[i:i+bs]
            # return_attention_mask=True είναι σημαντικό για το mean pooling
            enc = tokenizer_setup(batch_texts, padding=True, truncation=True, max_length=max_length_embed, return_tensors="pt", return_attention_mask=True).to(device_setup)
            with torch.no_grad():
                model_output = model_setup(**enc)
                last_hidden_state = model_output.last_hidden_state
                attention_mask = enc['attention_mask']
                
                # Mean Pooling:
                input_mask_expanded = attention_mask.unsqueeze(-1).expand(last_hidden_state.size()).float()
                sum_embeddings = torch.sum(last_hidden_state * input_mask_expanded, 1)
                sum_mask = torch.clamp(input_mask_expanded.sum(1), min=1e-9) # Αποφυγή διαίρεσης με μηδέν
                mean_pooled = sum_embeddings / sum_mask
                
                normalized_embeddings = torch.nn.functional.normalize(mean_pooled, p=2, dim=1)
                out_embeddings.append(normalized_embeddings.cpu())
        return torch.cat(out_embeddings).numpy()

    print(f"⏳ (Setup) Loading Model ({MODEL_NAME}) and Tokenizer...")
    # Φόρτωση του Meltemi με torch_dtype=torch.float16 για εξοικονόμηση VRAM και trust_remote_code=True
    # Εάν αντιμετωπίζετε προβλήματα μνήμης, εξετάστε:
    # from transformers import BitsAndBytesConfig
    # quantization_config = BitsAndBytesConfig(load_in_8bit=True) # ή load_in_4bit=True
    # model_setup = AutoModel.from_pretrained(MODEL_NAME, device_map="auto", torch_dtype=torch.float16, trust_remote_code=True, quantization_config=quantization_config)
    # και προσθέστε 'bitsandbytes' στα requirements.txt
    try:
        tokenizer_setup = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)
        # Αν το tokenizer δεν έχει padding token, ορίστε ένα:
        if tokenizer_setup.pad_token is None:
            tokenizer_setup.pad_token = tokenizer_setup.eos_token # Συνηθισμένη πρακτική για Causal LMs
            print("Tokenizer `pad_token` was None, set to `eos_token`.")

        model_setup = AutoModel.from_pretrained(
            MODEL_NAME,
            torch_dtype=torch.float16, # Σημαντικό για μεγάλα μοντέλα!
            trust_remote_code=True,    # Απαιτείται για ορισμένα μοντέλα από το Hub
            # device_map="auto" # Χρησιμοποιήστε το αν έχετε πολλαπλές GPUs ή για καλύτερη διαχείριση μνήμης με accelerate
        ).to(DEVICE).eval() # .eval() είναι σημαντικό
        print("✓ (Setup) Model and Tokenizer loaded.")
    except Exception as e:
        print(f"!!! CRITICAL SETUP ERROR: Could not load model or tokenizer: {e}")
        print("!!! Make sure you have enough VRAM, `trust_remote_code=True` is set, and you are logged in to Hugging Face if needed.")
        return False


    print(f"⏳ (Setup) Reading & chunking JSON data from {DATA_PATH_FOR_SETUP}...")
    if not Path(DATA_PATH_FOR_SETUP).exists():
        print(f"!!! CRITICAL SETUP ERROR: Dataset file {DATA_PATH_FOR_SETUP} not found! Please upload it.")
        return False
    
    with open(DATA_PATH_FOR_SETUP, encoding="utf-8") as f: docs_json = json.load(f)
    
    raw_chunks_setup, pre_chunks_setup, metas_setup, ids_list_setup = [], [], [], []
    for d_setup in tq.tqdm(docs_json, desc="(Setup) Processing documents"):
        doc_text = d_setup.get("text")
        if not doc_text: continue
        chunked_doc_texts = _chunk_text_setup(doc_text, tokenizer_setup)
        if not chunked_doc_texts: continue
        for idx, chunk in enumerate(chunked_doc_texts):
            if not chunk.strip(): continue
            raw_chunks_setup.append(chunk)
            pre_chunks_setup.append(_preprocess_setup(chunk)) # Το preprocess παραμένει το ίδιο για lexical search
            metas_setup.append({"id": d_setup["id"], "title": d_setup["title"], "url": d_setup["url"], "chunk_num": idx+1, "total_chunks": len(chunked_doc_texts)})
            ids_list_setup.append(f'{d_setup["id"]}_c{idx+1}')
            
    print(f"  → (Setup) Total chunks created: {len(raw_chunks_setup):,}")
    if not raw_chunks_setup:
        print("!!! CRITICAL SETUP ERROR: No chunks were created from the dataset.")
        return False
        
    print("⏳ (Setup) Building lexical matrices (TF-IDF)...") # Αυτό παραμένει ίδιο
    char_vec_setup = HashingVectorizer(analyzer="char_wb", ngram_range=(2,5), n_features=2**20, norm=None, alternate_sign=False, binary=True)
    word_vec_setup = HashingVectorizer(analyzer="word", ngram_range=(1,2), n_features=2**19, norm=None, alternate_sign=False, binary=True)
    X_char_setup = sk_normalize(char_vec_setup.fit_transform(pre_chunks_setup))
    X_word_setup = sk_normalize(word_vec_setup.fit_transform(pre_chunks_setup))
    print("✓ (Setup) Lexical matrices built.")
    
    print(f"⏳ (Setup) Setting up ChromaDB client at {DB_DIR_APP}...")
    client_setup = chromadb.PersistentClient(path=str(DB_DIR_APP.resolve()))
    print(f"  → (Setup) Creating collection: {COL_NAME}")
    try: client_setup.delete_collection(COL_NAME)
    except: pass
    col_setup = client_setup.get_or_create_collection(COL_NAME, metadata={"hnsw:space":"cosine"}) # cosine είναι καλή επιλογή για normalized embeddings
        
    print("⏳ (Setup) Encoding chunks (using mean pooling) and streaming to ChromaDB...")
    # Χρήση της νέας συνάρτησης embedding
    # Τα pre_chunks_setup είναι τα κείμενα που θα γίνουν embed. Για το Meltemi, είναι καλύτερα να χρησιμοποιήσουμε τα raw_chunks_setup (ή τα pre_chunks_setup αν η προεπεξεργασία είναι ελαφριά)
    # Εδώ θα χρησιμοποιήσω τα raw_chunks_setup για τα embeddings, καθώς τα LLMs συχνά επωφελούνται από το πλήρες, μη επεξεργασμένο κείμενο.
    # Αν τα pre_chunks είναι πολύ διαφορετικά, μπορεί να επηρεάσει την ποιότητα. Για τώρα, ας δοκιμάσουμε με raw_chunks.
    # ΣΗΜΑΝΤΙΚΟ: Βεβαιωθείτε ότι τα embeddings αντιστοιχούν στα 'documents' που αποθηκεύετε.
    # Εάν τα 'documents' στη Chroma είναι τα pre_chunks, τότε τα embeddings πρέπει να είναι από τα pre_chunks.
    # Εδώ, το col_setup.add() χρησιμοποιεί batch_pre_chunks ως documents, οπότε και τα embeddings πρέπει να είναι από αυτά.
    
    # Δημιουργία embeddings σε batches
    all_embeddings_list = []
    # Χρήση της _mean_pooling_embed_setup. Τα κείμενα για embedding πρέπει να είναι τα ίδια που θα αποθηκευτούν ως "documents" στη βάση.
    # Ο αρχικός κώδικας έκανε embed τα pre_chunks. Θα διατηρήσουμε αυτό για συνέπεια, αλλά σημειώστε ότι για LLMs, τα raw chunks μπορεί να είναι καλύτερα.
    chunk_embeddings_np = _mean_pooling_embed_setup(pre_chunks_setup, tokenizer_setup, model_setup, DEVICE, bs=BATCH_EMB, max_length_embed=CHUNK_SIZE)

    print(f"  → (Setup) Generated {chunk_embeddings_np.shape[0]} embeddings. Adding to ChromaDB in batches...")
    
    # Προσθήκη στη ChromaDB σε μικρότερα batches για να αποφευχθούν προβλήματα με μεγάλα payloads
    db_add_batch_size = 5000 # Μπορείτε να προσαρμόσετε αυτό το batch size
    for i in tq.tqdm(range(0, len(ids_list_setup), db_add_batch_size), desc="(Setup) Adding to ChromaDB"):
        start_idx_db = i
        end_idx_db = min(i + db_add_batch_size, len(ids_list_setup))
        
        batch_ids_db = ids_list_setup[start_idx_db:end_idx_db]
        batch_embeddings_db = chunk_embeddings_np[start_idx_db:end_idx_db].tolist()
        batch_documents_db = pre_chunks_setup[start_idx_db:end_idx_db] # Αποθηκεύουμε τα pre_chunks
        batch_metadatas_db = metas_setup[start_idx_db:end_idx_db]
        
        if not batch_ids_db: continue
        
        col_setup.add(
            embeddings=batch_embeddings_db,
            documents=batch_documents_db, # Αυτά είναι τα κείμενα που αντιστοιχούν στα embeddings
            metadatas=batch_metadatas_db,
            ids=batch_ids_db
        )

    final_count = col_setup.count()
    print(f"✓ (Setup) Index built and stored in ChromaDB. Final count: {final_count}")
    if final_count != len(ids_list_setup):
        print(f"!!! WARNING (Setup): Mismatch after setup! Expected {len(ids_list_setup)} items, got {final_count}")

    print(f"💾 (Setup) Saving assets to {ASSETS_DIR_APP}...")
    joblib.dump(char_vec_setup, ASSETS_DIR_APP / "char_vectorizer.joblib")
    joblib.dump(word_vec_setup, ASSETS_DIR_APP / "word_vectorizer.joblib")
    scipy.sparse.save_npz(ASSETS_DIR_APP / "X_char_sparse.npz", X_char_setup)
    scipy.sparse.save_npz(ASSETS_DIR_APP / "X_word_sparse.npz", X_word_setup)
    with open(ASSETS_DIR_APP / "pre_chunks.pkl", "wb") as f: pickle.dump(pre_chunks_setup, f)
    with open(ASSETS_DIR_APP / "raw_chunks.pkl", "wb") as f: pickle.dump(raw_chunks_setup, f)
    with open(ASSETS_DIR_APP / "ids.pkl", "wb") as f: pickle.dump(ids_list_setup, f)
    with open(ASSETS_DIR_APP / "metas.pkl", "wb") as f: pickle.dump(metas_setup, f)
    print("✓ (Setup) Assets saved.")
        
    del tokenizer_setup, model_setup, docs_json, raw_chunks_setup, pre_chunks_setup, metas_setup, ids_list_setup, chunk_embeddings_np
    del char_vec_setup, word_vec_setup, X_char_setup, X_word_setup, client_setup, col_setup
    if DEVICE == "cuda":
        torch.cuda.empty_cache()
    print("🎉 (Setup) Database and assets creation process for ChatbotVol108 (Meltemi) complete!")
    return True
# ==================================================================
setup_successful = setup_database_and_assets()
# ----------------------- PRE-/POST HELPERS (για την εφαρμογή Gradio) ----------------------------
# Αυτά παραμένουν ίδια καθώς αφορούν το lexical κομμάτι και το string normalization
def strip_acc(s: str) -> str:
    return ''.join(ch for ch in unicodedata.normalize('NFD', s)
                   if not unicodedata.combining(ch))
STOP = {"σχετικο", "σχετικα", "με", "και"}
def preprocess(txt: str) -> str:
    txt = strip_acc(txt.lower())
    txt = re.sub(r"[^a-zα-ω0-9 ]", " ", txt)
    txt = re.sub(r"\s+", " ", txt).strip()
    return " ".join(w for w in txt.split() if w not in STOP)

# ΝΕΑ ΣΥΝΑΡΤΗΣΗ ΓΙΑ MEAN POOLING EMBEDDINGS ΓΙΑ ΤΟ GRADIO APP
def mean_pooling_embed_app(texts, tokenizer_app, model_app, device_app, max_length_embed=CHUNK_SIZE):
    # Βεβαιωθείτε ότι το μοντέλο είναι σε eval mode (αν και θα έπρεπε ήδη να είναι)
    model_app.eval()
    # texts εδώ είναι μια λίστα με ένα string (το query)
    enc = tokenizer_app(texts, padding=True, truncation=True, max_length=max_length_embed, return_tensors="pt", return_attention_mask=True).to(device_app)
    with torch.no_grad():
        model_output = model_app(**enc)
        last_hidden_state = model_output.last_hidden_state
        attention_mask = enc['attention_mask']
        
        input_mask_expanded = attention_mask.unsqueeze(-1).expand(last_hidden_state.size()).float()
        sum_embeddings = torch.sum(last_hidden_state * input_mask_expanded, 1)
        sum_mask = torch.clamp(input_mask_expanded.sum(1), min=1e-9)
        mean_pooled = sum_embeddings / sum_mask
        
        normalized_embeddings = torch.nn.functional.normalize(mean_pooled, p=2, dim=1)
    return normalized_embeddings.cpu().numpy()

# ---------------------- LOAD MODELS & DATA (Για την εφαρμογή Gradio) --------------------
tok_app = None # Μετονομασία για σαφήνεια
model_app = None # Μετονομασία για σαφήνεια
char_vec = None
word_vec = None
X_char = None
X_word = None
pre_chunks_app = None # Μετονομασία
raw_chunks_app = None # Μετονομασία
ids_app = None # Μετονομασία
metas_app = None # Μετονομασία
col_app = None # Μετονομασία

if setup_successful:
    print(f"⏳ Loading Model ({MODEL_NAME}) and Tokenizer for Gradio App (ChatbotVol108)...")
    try:
        tok_app = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)
        if tok_app.pad_token is None:
            tok_app.pad_token = tok_app.eos_token
            print("App Tokenizer `pad_token` was None, set to `eos_token`.")
            
        # Φόρτωση με τις ίδιες παραμέτρους όπως στο setup
        model_app = AutoModel.from_pretrained(
            MODEL_NAME,
            torch_dtype=torch.float16,
            trust_remote_code=True,
            # device_map="auto" # Εξετάστε το για καλύτερη διαχείριση
        ).to(DEVICE).eval()
        print("✓ Model and tokenizer loaded for Gradio App.")
    except Exception as e:
        print(f"CRITICAL ERROR loading model/tokenizer for Gradio App: {e}")
        setup_successful = False
        
    if setup_successful:
        print(f"⏳ Loading TF-IDF/Assets from {ASSETS_DIR_APP} for Gradio App...")
        try:
            char_vec = joblib.load(ASSETS_DIR_APP / "char_vectorizer.joblib")
            word_vec = joblib.load(ASSETS_DIR_APP / "word_vectorizer.joblib")
            X_char = scipy.sparse.load_npz(ASSETS_DIR_APP / "X_char_sparse.npz")
            X_word = scipy.sparse.load_npz(ASSETS_DIR_APP / "X_word_sparse.npz")
            with open(ASSETS_DIR_APP / "pre_chunks.pkl", "rb") as f: pre_chunks_app = pickle.load(f)
            with open(ASSETS_DIR_APP / "raw_chunks.pkl", "rb") as f: raw_chunks_app = pickle.load(f)
            with open(ASSETS_DIR_APP / "ids.pkl", "rb") as f: ids_app = pickle.load(f)
            with open(ASSETS_DIR_APP / "metas.pkl", "rb") as f: metas_app = pickle.load(f)
            print("✓ TF-IDF/Assets loaded for Gradio App.")
        except Exception as e:
            print(f"CRITICAL ERROR loading TF-IDF/Assets for Gradio App: {e}")
            setup_successful = False

    if setup_successful:
        print(f"⏳ Connecting to ChromaDB at {DB_DIR_APP} for Gradio App...")
        try:
            client_app = chromadb.PersistentClient(path=str(DB_DIR_APP.resolve()))
            col_app = client_app.get_collection(COL_NAME)
            print(f"✓ Connected to ChromaDB. Collection '{COL_NAME}' count: {col_app.count()}")
            if col_app.count() == 0 and (ids_app and len(ids_app) > 0):
                print(f"!!! CRITICAL WARNING: ChromaDB collection '{COL_NAME}' is EMPTY but assets were loaded. Setup might have failed to populate DB correctly.")
                setup_successful = False
        except Exception as e:
            print(f"CRITICAL ERROR connecting to ChromaDB or getting collection for Gradio App: {e}")
            setup_successful = False
else:
    print("!!! Setup process failed or was skipped for ChatbotVol108. Gradio app will not function correctly. !!!")

# ---------------------- HYBRID SEARCH (Κύρια Λογική) ---
def hybrid_search_gradio(query, k=5):
    if not setup_successful or not ids_app or not col_app or not model_app or not tok_app or not raw_chunks_app or not metas_app or not pre_chunks_app: # Ελέγχουμε και τα raw_chunks, metas
        return "Σφάλμα: Η εφαρμογή δεν αρχικοποιήθηκε σωστά. Τα δεδομένα ή το μοντέλο δεν φορτώθηκαν. Ελέγξτε τα logs εκκίνησης."
    if not query.strip():
        return "Παρακαλώ εισάγετε μια ερώτηση."
        
    q_pre = preprocess(query) # Για το lexical κομμάτι
    words = q_pre.split()
    alpha = ALPHA_LONGQ if len(words) > 30 else ALPHA_BASE # Οι τιμές alpha μπορεί να χρειάζονται tuning για το Meltemi
    
    # Semantic Search Part (Meltemi Embeddings)
    # Χρήση της νέας συνάρτησης mean_pooling_embed_app
    # Το query για το embedding πρέπει να είναι το raw query ή μια ελαφρώς καθαρισμένη έκδοση, όχι απαραίτητα το q_pre που είναι για lexical.
    # Εδώ, για συνέπεια με το πώς δημιουργήθηκαν τα embeddings των chunks (από pre_chunks_setup), θα κάνουμε embed το q_pre.
    q_emb_np = mean_pooling_embed_app([q_pre], tok_app, model_app, DEVICE, max_length_embed=CHUNK_SIZE) # Το query είναι το q_pre
    q_emb_list = q_emb_np.tolist()
    
    try:
        # Το n_results για το semantic search μπορεί να είναι μεγαλύτερο για να δώσει περισσότερες επιλογές στο re-ranking
        sem_results_count = min(k * 30, len(ids_app)) if ids_app else k * 30
        if sem_results_count <=0: sem_results_count = k # Fallback
        
        sem_results = col_app.query(query_embeddings=q_emb_list, n_results=sem_results_count, include=["distances"])
    except Exception as e:
        print(f"ERROR during ChromaDB query in hybrid_search_gradio: {type(e).__name__}: {e}")
        return "Σφάλμα κατά την σημασιολογική αναζήτηση. Επικοινωνήστε με τον διαχειριστή."
        
    sem_sims = {doc_id: 1 - dist for doc_id, dist in zip(sem_results["ids"][0], sem_results["distances"][0])}
    
    # Lexical Search Part (TF-IDF - παραμένει ίδιο)
    # Το `exact_ids_set` πρέπει να ψάχνει στα `pre_chunks_app`
    exact_ids_set = {ids_app[i] for i, t in enumerate(pre_chunks_app) if q_pre in t}

    q_char_sparse = char_vec.transform([q_pre])
    q_char_normalized = sk_normalize(q_char_sparse)
    char_sim_scores = (q_char_normalized @ X_char.T).toarray().flatten()
    
    q_word_sparse = word_vec.transform([q_pre])
    q_word_normalized = sk_normalize(q_word_sparse)
    word_sim_scores = (q_word_normalized @ X_word.T).toarray().flatten()
    
    lex_sims = {}
    for idx, (c_score, w_score) in enumerate(zip(char_sim_scores, word_sim_scores)):
        if c_score > 0 or w_score > 0:
            if idx < len(ids_app): lex_sims[ids_app[idx]] = 0.85 * c_score + 0.15 * w_score # Βαθμολόγηση lexical 
            else: print(f"Warning (hybrid_search): Lexical score index {idx} out of bounds for ids_app list (len: {len(ids_app)}).")
            
    # Hybrid Re-ranking
    all_chunk_ids_set = set(sem_sims.keys()) | set(lex_sims.keys()) | exact_ids_set
    scored = []
    for chunk_id_key in all_chunk_ids_set:
        s = alpha * sem_sims.get(chunk_id_key, 0.0) + (1 - alpha) * lex_sims.get(chunk_id_key, 0.0)
        if chunk_id_key in exact_ids_set: s = 1.0 # Boost για ακριβή ταίριασμα
        scored.append((chunk_id_key, s))
        
    scored.sort(key=lambda x: x[1], reverse=True)
    
    # Format Output
    hits_output = []
    seen_doc_main_ids = set()
    for chunk_id_val, score_val in scored:
        try:
            idx_in_lists = ids_app.index(chunk_id_val)
        except ValueError:
            print(f"Warning (hybrid_search): chunk_id '{chunk_id_val}' not found in loaded ids_app. Skipping.")
            continue
            
        doc_meta = metas_app[idx_in_lists]
        doc_main_id = doc_meta['id']
        
        if doc_main_id in seen_doc_main_ids: continue # Εμφάνιση μόνο του πιο σχετικού chunk ανά κύριο έγγραφο
        
        original_url_from_meta = doc_meta.get('url', '#')
        pdf_gcs_url = "#"
        pdf_filename_display = "N/A"
        if original_url_from_meta and original_url_from_meta != '#':
            pdf_filename_extracted = os.path.basename(original_url_from_meta)
            if pdf_filename_extracted and pdf_filename_extracted.lower().endswith(".pdf"):
                pdf_gcs_url = f"{GCS_PUBLIC_URL_PREFIX}{pdf_filename_extracted}"
                pdf_filename_display = pdf_filename_extracted
            elif pdf_filename_extracted: pdf_filename_display = "Source is not a PDF"
        
        # Χρήση raw_chunks_app για το snippet
        hits_output.append({
            "score": score_val, "title": doc_meta.get('title', 'N/A'),
            "snippet": raw_chunks_app[idx_in_lists][:700] + " ...", # Αυξημένο μήκος snippet
            "original_url_meta": original_url_from_meta, "pdf_serve_url": pdf_gcs_url,
            "pdf_filename_display": pdf_filename_display
        })
        seen_doc_main_ids.add(doc_main_id)
        if len(hits_output) >= k: break
        
    if not hits_output: return "Δεν βρέθηκαν σχετικά αποτελέσματα."
    
    output_md = f"Βρέθηκαν **{len(hits_output)}** σχετικά αποτελέσματα (με χρήση Meltemi-7B):\n\n"
    for hit in hits_output:
        output_md += f"### {hit['title']} (Score: {hit['score']:.3f})\n"
        snippet_wrapped = textwrap.fill(hit['snippet'].replace("\n", " "), width=100)
        output_md += f"**Απόσπασμα:** {snippet_wrapped}\n"
        if hit['pdf_serve_url'] and hit['pdf_serve_url'] != '#':
            output_md += f"**Πηγή (PDF):** <a href='{hit['pdf_serve_url']}' target='_blank'>{hit['pdf_filename_display']}</a>\n"
        elif hit['original_url_meta'] and hit['original_url_meta'] != '#':
            output_md += f"**Πηγή (αρχικό από metadata):** [{hit['original_url_meta']}]({hit['original_url_meta']})\n"
        output_md += "---\n"
    return output_md
    
# ---------------------- GRADIO INTERFACE -----------------------------------
print("🚀 Launching Gradio Interface for Meltemi")

# Ενημέρωση τίτλων και περιγραφών για το ChatbotVol108 και το Meltemi
iface = gr.Interface(
    fn=hybrid_search_gradio,
    inputs=gr.Textbox(lines=3, placeholder="Γράψε την ερώτησή σου εδώ...", label=f"Ερώτηση προς τον βοηθό (Μοντέλο: {MODEL_NAME.split('/')[-1]}):"),
    outputs=gr.Markdown(label="Απαντήσεις από τα έγγραφα:", rtl=False, sanitize_html=False), # sanitize_html=False επιτρέπει τα <a href> links
    title=f"🏛️ Ελληνικό Chatbot Υβριδικής Αναζήτησης (Meltemi - {MODEL_NAME.split('/')[-1]})",
    description=(f"Πληκτρολογήστε την ερώτησή σας για αναζήτηση. Χρησιμοποιεί το μοντέλο: {MODEL_NAME}.\n"
                 "Τα PDF ανοίγουν από Google Cloud Storage σε νέα καρτέλα."),
    allow_flagging="never",
    examples=[ # Μπορείτε να προσαρμόσετε τα παραδείγματα
        ["Τεχνολογίας τροφίμων;", 5],
        ["Αμπελουργίας και οινολογίας", 3],
        ["Ποιες θέσεις αφορούν διδάσκοντες στο Τμήμα Νοσηλευτικής;", 5]
    ],
)

if __name__ == '__main__':
    if not setup_successful:
        print("ERROR: Setup was not successful. The Gradio application might not work as expected.")
        # Θα μπορούσατε να εμφανίσετε ένα μήνυμα σφάλματος και στο Gradio interface αν το setup απέτυχε
        # ή να μην κάνετε launch την εφαρμογή. Για τώρα, απλά τυπώνει στο console.
    iface.launch()