import faiss
import numpy as np
from sentence_transformers import SentenceTransformer
import gradio as gr

# Schritt 1: Lade das Modell für die Embeddings
model = SentenceTransformer('all-MiniLM-L6-v2')

# Beispiel-Dokumente (könnten auch aus PDFs oder anderen Quellen stammen)
documents = [
    "LangChain ist eine Bibliothek für die Verarbeitung von Text mit LLMs.",
    "FAISS wird verwendet, um Vektoren effizient zu durchsuchen.",
    "Hugging Face bietet eine Vielzahl von vortrainierten Modellen."
]

# Schritt 2: Erzeuge Embeddings für die Dokumente
document_embeddings = model.encode(documents)

# FAISS-Index für die Vektoren erstellen
dimension = len(document_embeddings[0])
index = faiss.IndexFlatL2(dimension)
document_embeddings = np.array(document_embeddings).astype('float32')
index.add(document_embeddings)  # Füge Dokumente zum Index hinzu

# Schritt 3: Suche nach einer ähnlichen Antwort auf eine Eingabeabfrage
def search_documents(query):
    query_embedding = model.encode([query])[0].astype('float32')
    D, I = index.search(np.array([query_embedding]), k=1)  # Suche nach den Top 1 Treffern
    return documents[I[0][0]]  # Gibt das am besten passende Dokument zurück

# Gradio Interface
def chatbot_response(query):
    return search_documents(query)

interface = gr.Interface(
    fn=chatbot_response,
    inputs="text",
    outputs="text",
    title="FAISS-basierter Chatbot",
    description="Gib eine Frage ein, und erhalte eine Antwort basierend auf den Dokumenten."
)

interface.launch()