update guis 7

app.py

@@ -8,6 +8,7 @@ from transformers import pipeline
 import os
 
 # 1. Ladda och indexera alla PDF:er i mappen "document/"
+# Returnerar vectorstore och lista över filnamn
 def load_vectorstore():
     all_docs = []
     loaded_files = []
@@ -22,8 +23,8 @@ def load_vectorstore():
     vectorstore = FAISS.from_documents(all_docs, embedding)
     return vectorstore, loaded_files
 
-# Skapa RAG-chain med vald temperaturfunktion
-def create_chain(temp):
+# 2. Skapa RAG-chain med given temperatur
+def create_chain(vectorstore, temp):
     llm_pipeline = pipeline(
         "text-generation", model="tiiuae/falcon-rw-1b", device=-1
     )
@@ -35,7 +36,7 @@ def create_chain(temp):
         llm=llm, retriever=vectorstore.as_retriever()
     )
 
-# Gradio UI
+# 3. Gradio UI
 with gr.Blocks() as demo:
     # Temperatur-reglage
     temp_slider = gr.Slider(
@@ -45,48 +46,52 @@ with gr.Blocks() as demo:
         value=0.3,
         step=0.05,
     )
-    # Chat-komponent
-    chatbot = gr.Chatbot()
-    # Text-input
+    # Laddningsindikator
+    status_text = gr.Markdown("🔄 Laddar modellen, vänta...")
+    # Chat-komponent (OpenAI-stil)
+    chatbot = gr.Chatbot(type="messages")
     input_box = gr.Textbox(label="Din fråga")
     send_button = gr.Button("Skicka")
-    status_text = gr.Markdown("🔄 Laddar modellen, vänta...")
 
-    # Ladda dokument + skapa initial chain
+    # Ladda vectorstore och initiera QA-chain
     vectorstore, loaded_files = load_vectorstore()
-    qa_chain = create_chain(temp_slider.value)
+    qa_chain = create_chain(vectorstore, temp_slider.value)
 
-    # Visa klara status och vilka PDF:er som laddats
-    loaded_list = "\n".join([f"- {f}" for f in loaded_files])
-    status_text.update(visible=False)
+    # Dölj laddningsindikator och visa uppladdade filer
+    status_text.visible = False
     gr.Markdown(
-        f"✅ Klar! Du kan nu ställa frågor om dokumenten nedan:\n\n{loaded_list}"
+        f"✅ Klar! Du kan nu ställa frågor om dokumenten nedan:\n\n" +
+        "\n".join([f"- {f}" for f in loaded_files])
     )
 
+    # Chat-funktion
     def chat_fn(message, history, temp):
         # Uppdatera chain om temperaturen ändrats
-        chain = create_chain(temp)
-        # Begränsa fråga-längd
+        chain = create_chain(vectorstore, temp)
+        # Lägg till användarens meddelande
+        history = history + [{"role": "user", "content": message}]
         if len(message) > 1000:
-            history.append((message, f"⚠️ Din fråga är för lång ({len(message)} tecken). Försök en kortare fråga."))
+            history = history + [{
+                "role": "assistant",
+                "content": f"⚠️ Din fråga är för lång ({len(message)} tecken). Försök en kortare fråga."
+            }]
             return history
-        # Kör fråga
         try:
             svar = chain.invoke({"query": message})
-            out = svar["result"]
+            out = svar.get("result", str(svar))
         except Exception as e:
             out = f"Ett fel uppstod: {e}"
-        history.append((message, out))
+        history = history + [{"role": "assistant", "content": out}]
         return history
 
-    # Koppla knappen till chat-funktionen
+    # Koppla knapp till funktionen
     send_button.click(
         fn=chat_fn,
         inputs=[input_box, chatbot, temp_slider],
         outputs=chatbot,
     )
 
-# Starta appen
+# Starta app vid körning
 if __name__ == "__main__":
     demo.launch()