app.py

#QuantumNova

import requests
import random
import json
from huggingface_hub import InferenceClient  # Importiere den Client für die API
import torch

class QuasiKI:
    def __init__(self, max_feedback=2):
        self.memory = []  # Gedächtnis für getroffene Entscheidungen
        self.intentions = []  # Liste aktueller Ziele
        self.quantum_randomness = []  # Speicher für Quanten-Zufallszahlen
        self.max_feedback = max_feedback  # Anzahl der Prompter für Feedback
        
        # Hugging Face Client zum Online-Laden des Modells und Tokenizers
        self.client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
        print("Zephyr-7b-beta Modell erfolgreich über die Hugging Face API geladen!")

    def fetch_quantum_randomness(self):
        """Lädt echte Quanten-Zufallszahlen von einer API."""
        try:
            response = requests.get("https://qrng.anu.edu.au/API/jsonI.php?length=10&type=uint8")
            if response.status_code == 200:
                data = response.json()
                self.quantum_randomness = data.get("data", [])
                print(f"Quantum randomness fetched: {self.quantum_randomness}")
            else:
                print("Failed to fetch quantum randomness. Using fallback randomness.")
                self.quantum_randomness = [random.randint(0, 255) for _ in range(10)]
        except Exception as e:
            print(f"Error fetching quantum randomness: {e}")
            self.quantum_randomness = [random.randint(0, 255) for _ in range(10)]

    def process_input(self, user_input):
        """Verarbeitet die Eingabe und generiert eine Antwort."""
        self.reflect()

        # Wenn der Nutzer eine Suche durchführt
        if user_input.lower().startswith("suche nach"):
            query = user_input[10:].strip()
            print(f"Suche im Web nach: {query}")
            results = self.search_web(query)
            if results:
                response = "Hier sind die besten Ergebnisse:\n"
                for i, result in enumerate(results, 1):
                    response += f"{i}. {result['title']} - {result['link']}\n"
            else:
                response = "Keine Ergebnisse gefunden oder ein Fehler ist aufgetreten."
        else:
            # Generiere Antwort mit Hugging Face Modell
            response = self.generate_response(user_input)

        # KI bewertet ihre eigene Antwort
        self_evaluation = self.self_evaluate_response(response)
        self.memory.append({"input": user_input, "response": response, "success": None, "self_eval": self_evaluation})
        return response

    def generate_response(self, input_text):
        """Generiert eine Antwort basierend auf dem Zephyr-Modell."""
        # Anfrage an Hugging Face API zur Generierung einer Antwort
        response = self.client.chat_completion([
            {"role": "user", "content": input_text}
        ])
        return response['choices'][0]['message']['content'].strip()

    def self_evaluate_response(self, response):
        """Bewertet die Antwort der KI selbstständig."""
        # Dummy-Logik: Bewertungen können angepasst werden
        if "suche" in response.lower():
            return "gut"
        elif len(response.split()) > 5:
            return "kreativ"
        else:
            return "unkreativ"

    def collect_feedback(self):
        """Sammelt Feedback von mehreren Promptern."""
        feedback_scores = {"sehr gut": 2, "gut": 1, "schlecht": -1, "sehr schlecht": -2}
        total_feedback = 0

        for i in range(1, self.max_feedback + 1):
            feedback = input(f"Nutzer {i} Feedback (sehr gut, gut, schlecht, sehr schlecht): ").strip().lower()
            total_feedback += feedback_scores.get(feedback, 0)

        return total_feedback

    def reflect(self):
        """Reflektiert über vergangene Aktionen."""
        if not self.memory:
            print("Ich habe noch nichts gelernt.")
        else:
            print("Selbstreflexion:")
            for entry in self.memory[-5:]:  # Nur die letzten 5 Erinnerungen anzeigen
                print(f"- Eingabe: {entry['input']} -> Antwort: {entry['response']} (Erfolg: {entry.get('success')}, Selbstbewertung: {entry.get('self_eval')})")

    def learn(self, feedback_score):
        """Lernt basierend auf Feedback."""
        if not self.memory:
            print("Keine vergangenen Aktionen zum Lernen verfügbar.")
            return

        # Letzte Aktion aktualisieren
        if feedback_score > 0:
            self.memory[-1]["success"] = True
            print("Ich habe gelernt, dass meine Entscheidung erfolgreich war.")
        elif feedback_score < 0:
            self.memory[-1]["success"] = False
            print("Ich werde meine Strategie anpassen.")
        else:
            print("Feedback neutral. Kein Lernen nötig.")

    def save_memory(self, filename="memory.json"):
        """Speichert das Gedächtnis in einer Datei."""
        with open(filename, "w") as f:
            json.dump(self.memory, f)
        print("Gedächtnis wurde gespeichert.")

    def load_memory(self, filename="memory.json"):
        """Lädt das Gedächtnis aus einer Datei."""
        try:
            with open(filename, "r") as f:
                self.memory = json.load(f)
            print("Gedächtnis wurde geladen.")
        except FileNotFoundError:
            print("Keine gespeicherte Erinnerung gefunden.")

# Hauptprogramm
if __name__ == "__main__":
    ai = QuasiKI(max_feedback=3)  # Hier Anzahl der Feedback-Prompter einstellen
    ai.fetch_quantum_randomness()  # Starte mit Quanten-Zufallszahlen

    # Gedächtnis laden, falls vorhanden
    ai.load_memory()
    while True:
        user_input = input("\nWas möchtest du sagen? (oder 'exit' zum Beenden): ")
        if user_input.lower() == "exit":
            print("Beende das System. Bis bald!")
            ai.save_memory()  # Gedächtnis speichern vor Beenden
            break

        response = ai.process_input(user_input)
        print(f"AI: {response}")

        feedback_score = ai.collect_feedback()
        ai.learn(feedback_score)