# app.py

  

# -------------------------------

# En enkel Flask-basert skoleassistent.

# Leser .txt-filer fra ./data og kaller en språkmodell via Hugging Face Inference API.

# Viser chatlogg (bruker-spørsmål og modell-svar).

# -------------------------------

  

from flask import Flask, request, render_template

from dotenv import load_dotenv

import os

import requests

import markdown

  

# Laster miljøvariabler fra .env (HF_TOKEN og MODEL)

# override=True sikrer at vi bruker ny verdi selv om gammel henger igjen

load_dotenv(override=True)

  

app = Flask(__name__)

  

# REGISTRER MARKDOWN-FILTER

@app.template_filter('markdown')

def render_markdown(text):

    return markdown.markdown(text)

  

# HENTER API-NØKKEL OG MODELLNAVN FRA .env

HF_TOKEN = os.getenv("HF_TOKEN")

MODEL = os.getenv("MODEL")

  

# SJEKKER AT NØKKEL FINNES

if not HF_TOKEN:

    raise RuntimeError("HF_TOKEN mangler i .env. Legg inn din Hugging Face API-nøkkel.")

  

# ENKEL FUNKSJON SOM LESER ALLE .txt-FILER I ./data VED OPPSTART

def load_documents():

    docs = ""

    data_dir = "data"

    if not os.path.isdir(data_dir):

        return docs

  

    for filename in os.listdir(data_dir):

        if filename.endswith(".txt"):

            path = os.path.join(data_dir, filename)

            try:

                with open(path, "r", encoding="utf-8") as f:

                    content = f.read().strip()

                    # Legg til filnavn som skille for tydeligere kontekst

                    docs += f"\n\n### FIL: {filename}\n{content}"

            except Exception as e:

                print(f"Kunne ikke lese {filename}: {e}")

    print(f"DEBUG: Lastet {len(docs)} tegn med dokumentasjon.")

    if len(docs) == 0:

        print("ADVARSEL: Ingen dokumenter lastet funnet i data-mappen!")

    return docs

  

# LASTER DOKUMENTER EN GANG (VED OPPSTART)

DOCUMENTS = load_documents()

  

# CHATLOGG I MINNET (LISTE AV DIKTIONARIES)

# MERK: DENNE TØMMES HVIS APPEN STARTES PÅ NYTT. FOR VEDVARENDE LAGRING MÅ DU BRUKE DATABASE.

chatlog = []

  

def build_messages(question: str, chat_history: list) -> list:

    """

    Bygger meldingsliste til språkmodellen.

    - System-melding: Instruksjoner og dokumentkontekst.

    - Historikk: Tidligere spørsmål og svar.

    - Siste melding: Brukerens nye spørsmål.

    """

    # 1. System-instruksjon med dokumenter

    system_content = f"""

Du er en hjelpsom skoleassistent for Charlottenlund vgs.

Din oppgave er å svare på spørsmål basert på informasjonen gitt i "DOKUMENTER" nedenfor.

  

VIKTIGE REGLER:

1. Bruk KUN informasjonen i dokumentene for å svare.

2. Hvis du ikke finner svaret i dokumentene, svar høflig at du ikke vet det basert på tilgjengelig info. Ikke finn på ting.

3. Vær kortfattet, presis og hyggelig.

4. Svar på norsk.

  

DOKUMENTER:

{DOCUMENTS}

"""

    messages = [{"role": "system", "content": system_content.strip()}]

  

    # 2. Legg til historikk

    for entry in chat_history:

        messages.append({"role": "user", "content": entry['user']})

        messages.append({"role": "assistant", "content": entry['bot']})

  

    # 3. Legg til brukerens nye spørsmål

    messages.append({"role": "user", "content": question})

  

    return messages

  

def ask_model(messages: list) -> str:

    """

    Ringer Hugging Face Inference API med en liste av meldinger.

    Forventer HF_TOKEN og MODEL fra .env.

    """

    headers = {

        "Authorization": f"Bearer {HF_TOKEN}",

        "Content-Type": "application/json"

    }

    # Bruker OpenAI-kompatibelt format for chat-modeller

    body = {

        "model": MODEL,

        "messages": messages,

        "max_tokens": 500,

        "temperature": 0.3

    }

  
  

    try:

        # Peke mot den nye routeren som bruker OpenAI-format

        url = "https://router.huggingface.co/v1/chat/completions"

  

        resp = requests.post(

            url,

            headers=headers,

            json=body,

            timeout=60

        )

        if resp.status_code != 200:

            return f"Feil: API returnerte statuskode {resp.status_code}. Svar: {resp.text}"

  

        data = resp.json()

        # Sjekk om svaret er i OpenAI format (choices -> message -> content)

        if "choices" in data and len(data["choices"]) > 0:

             return data["choices"][0]["message"]["content"]

        return str(data)

  

    except Exception as e:

        return f"Feil ved kall til modellen: {e}"

  

@app.route("/", methods=["GET", "POST"])

def index():

    """

    Viser forsiden og håndterer innsending av skjema (POST).

    Oppdaterer chatlogg og rendrer index.html med chat-listen.

    """

    global chatlog

  

    if request.method == "POST":

        user_question = request.form.get("question", "").strip()

        if user_question:

            messages = build_messages(user_question, chatlog)

            answer = ask_model(messages)

            chatlog.append({"user": user_question, "bot": answer})

  

    # RENDERER siden med dagens chatlogg

    return render_template("index.html", chat=chatlog)

  

if __name__ == "__main__":

    # KJØRER FLASK I UTVIKLINGSMODUS

    # DU KAN ENDRE 'debug=False' HVIS DU IKKE VIL SE RESTART/FEILLOGG I TERMINALEN.

    app.run(debug=True)