update guis 4

app.py

@@ -24,7 +24,7 @@ def load_vectorstore():
 
 with gr.Blocks() as demo:
     with gr.Row():
-        status_text = gr.Markdown("🔄 Laddar modellen, vänta...")
+        status_text = gr.Markdown("🔄 Laddar modellen, vänta...", elem_id="status-text")
 
     vectorstore, loaded_files = load_vectorstore()
     llm_pipeline = pipeline("text-generation", model="tiiuae/falcon-rw-1b", device=-1)
@@ -32,22 +32,22 @@ with gr.Blocks() as demo:
     qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())
 
     loaded_list = "\n".join([f"- {f}" for f in loaded_files])
-    status_text.visible = False
-    gr.Markdown(f"✅ Klar! Du kan nu ställa frågor om dokumenten nedan:\n\n{loaded_list}")
 
     def chat_fn(message, history):
         if len(message) > 1000:
-            return ("⚠️ Din fråga är för lång (" + str(len(message)) + " tecken). Försök ställa en mer specifik fråga.",)
+            return {"role": "assistant", "content": "⚠️ Din fråga är för lång (" + str(len(message)) + " tecken). Försök ställa en mer specifik fråga."}
         try:
             svar = qa_chain.invoke({"query": message})
         except Exception as e:
-            return (f"Ett fel uppstod vid bearbetning av frågan: {str(e)}",)
-        return (svar["result"],)
+            return {"role": "assistant", "content": f"Ett fel uppstod vid bearbetning av frågan: {str(e)}"}
+        return {"role": "assistant", "content": svar["result"]}
+
+    gr.Markdown(f"✅ Klar! Du kan nu ställa frågor om dokumenten nedan:\n\n{loaded_list}", elem_id="status-text")
 
     gr.ChatInterface(
         fn=chat_fn,
         title="🌟 Dokumentassistent (Svenska)",
-        chatbot=gr.Chatbot(type="messages"),
+        chatbot=gr.Chatbot(type="messages", reverse=True),
         description="Hej! Jag är din dokumentassistent. Ställ en fråga baserat på innehållet i dina PDF-filer."
     )