Update app.py

app.py

@@ -1,64 +1,146 @@
-import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
-
-    response = ""
-
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
-
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
-)
+#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__":
-    demo.launch()
+    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)