Update app.py

app.py

@@ -1,55 +1,144 @@
-# Importujemy bibliotekę Gradio, która posłuży do budowy interfejsu
+# Importujemy potrzebne biblioteki
 import gradio as gr
+from transformers import pipeline as text_pipeline
+from diffusers import DiffusionPipeline
+import torch
+import re
 
-def handle_course_generation(topic):
+# --- Konfiguracja Modeli ---
+
+# Model językowy do generowania tekstu
+LLM_MODEL = "mistralai/Mistral-7B-Instruct-v0.2"
+# Model do generowania obrazów - v1.5 jest sprawdzony i działa dobrze na darmowym sprzęcie
+IMAGE_MODEL = "runwayml/stable-diffusion-v1-5"
+
+# --- Ładowanie Modeli ---
+# Ładujemy modele na starcie aplikacji, aby uniknąć wielokrotnego ładowania.
+# To może zająć kilka minut przy pierwszym uruchomieniu.
+
+# Ładowanie modelu LLM
+try:
+    text_generator = text_pipeline(
+        "text-generation",
+        model=LLM_MODEL,
+        torch_dtype=torch.bfloat16,
+        device_map="auto"
+    )
+    LLM_LOADED = True
+except Exception as e:
+    print(f"Błąd ładowania LLM: {e}")
+    text_generator = None
+    LLM_LOADED = False
+
+# Ładowanie modelu Text-to-Image
+try:
+    image_generator = DiffusionPipeline.from_pretrained(
+        IMAGE_MODEL,
+        torch_dtype=torch.float16,
+        revision="fp16"
+    )
+    image_generator.to("cuda")
+    IMAGE_MODEL_LOADED = True
+except Exception as e:
+    print(f"Błąd ładowania Image Model: {e}")
+    image_generator = None
+    IMAGE_MODEL_LOADED = False
+
+
+def parse_steps_from_markdown(markdown_text):
+    """
+    Funkcja do wyciągania tytułów poszczególnych kroków z wygenerowanego tekstu.
+    Używa wyrażeń regularnych do znalezienia linii zaczynających się od "X. **".
+    """
+    # Wzorzec do znalezienia linii typu "1. **Tytuł kroku**"
+    pattern = re.compile(r"^\d+\.\s*\*\*(.*?)\*\*", re.MULTILINE)
+    steps = pattern.findall(markdown_text)
+    return steps
+
+
+def generate_course_and_images(topic, progress=gr.Progress(track_tqdm=True)):
     """
-    Ta funkcja będzie w przyszłości sercem aplikacji.
-    Na razie, dla celów demonstracyjnych, po prostu zwraca informację
-    o temacie wpisanym przez użytkownika.
+    Główna funkcja aplikacji: generuje tekst kursu, a następnie obrazy do każdego kroku.
     """
+    if not LLM_LOADED or not IMAGE_MODEL_LOADED:
+        error_msg = "Błąd krytyczny: Jeden z modeli AI nie został załadowany."
+        return error_msg, None
+
     if not topic:
-        return "Proszę wpisać temat kursu."
-    return f"### Rozpoczynam generowanie kursu na temat: '{topic}'"
+        return "Proszę wpisać temat kursu.", None
+
+    # --- Krok 1: Generowanie struktury tekstowej kursu ---
+    progress(0, desc="Generowanie tekstu kursu...")
+    prompt = f"""
+    [INST] Jesteś ekspertem w tworzeniu kursów online. Twoim zadaniem jest stworzenie zwięzłego, 5-etapowego planu kursu DIY na podany temat.
+
+    Temat kursu: "{topic}"
+
+    Wygeneruj odpowiedź w formacie Markdown, która zawiera:
+    1. Chwytliwy tytuł kursu (jako nagłówek H1).
+    2. Pięć ponumerowanych kroków kursu. Każdy krok powinien mieć tytuł (pogrubiony) i krótki, 2-3 zdaniowy opis.
+
+    Nie dodawaj żadnych wstępów, podsumowań ani dodatkowych komentarzy. Trzymaj się ściśle podanej struktury. [/INST]
+    """
+    response = text_generator(prompt, max_new_tokens=1024, do_sample=True, temperature=0.7, top_p=0.95)
+    course_text = response[0]['generated_text'].split('[/INST]')[-1].strip()
 
-# Używamy `gr.Blocks` dla większej kontroli nad układem interfejsu.
-# `theme` ustawia przyjemny dla oka wygląd, a `title` to tytuł w zakładce przeglądarki.
+    # --- Krok 2: Parsowanie tekstu i generowanie obrazów ---
+    steps = parse_steps_from_markdown(course_text)
+    if not steps:
+        return course_text, None # Zwróć sam tekst, jeśli nie udało się znaleźć kroków
+
+    generated_images = []
+    for i, step_title in enumerate(steps):
+        progress((i + 1) / len(steps), desc=f"Generowanie obrazka dla kroku {i+1}/{len(steps)}: {step_title}")
+        
+        # Tworzymy prosty, ale skuteczny prompt dla modelu obrazkowego
+        image_prompt = f"cinematic photo of '{step_title}', professional photography, high detail, 8k"
+        
+        # Generujemy obraz. `num_inference_steps` jest obniżone do 25 dla szybkości.
+        image = image_generator(image_prompt, num_inference_steps=25).images[0]
+        generated_images.append(image)
+
+    return course_text, generated_images
+
+
+# --- Budowa Interfejsu Gradio ---
 with gr.Blocks(theme=gr.themes.Soft(), title="Kreator Kursów DIY") as demo:
-    # Tytuł główny aplikacji wyświetlany na stronie
     gr.Markdown(
         """
         # 🎨 Kreator Kursów DIY
-        Wpisz temat, na który chcesz stworzyć kurs, a sztuczna inteligencja zajmie się resztą!
+        Wpisz temat, a AI wygeneruje dla Ciebie kompletny, ilustrowany kurs!
         """
     )
 
-    # Tworzymy wiersz, aby lepiej zorganizować elementy
     with gr.Row():
-        # Pole tekstowe do wprowadzania tematu przez użytkownika
         topic_input = gr.Textbox(
             label="Temat kursu",
-            placeholder="np. Jak zbudować karmnik dla ptaków z recyklingu?",
+            placeholder="np. Jak uprawiać zioła na balkonie?",
             lines=2,
-            scale=4, # Sprawia, że to pole jest szersze
+            scale=4,
         )
 
-    # Przycisk do uruchamiania procesu generowania
-    generate_button = gr.Button("Wygeneruj Kurs!", variant="primary")
+    generate_button = gr.Button("Wygeneruj Kurs z Obrazkami!", variant="primary")
 
-    # Separator wizualny
     gr.Markdown("---")
+    
+    gr.Markdown("### 📖 Twój Kurs")
+    output_display = gr.Markdown("Tutaj pojawi się tekst Twojego kursu...")
 
-    # Miejsce, w którym wyświetlimy wynik działania aplikacji
-    output_display = gr.Markdown("### Twój kurs pojawi się tutaj...")
+    gr.Markdown("### 🖼️ Ilustracje do Kursu")
+    image_gallery = gr.Gallery(
+        label="Wygenerowane obrazy",
+        show_label=False,
+        elem_id="gallery",
+        columns=5,
+        height="auto"
+    )
 
-    # Definiujemy, co ma się stać po kliknięciu przycisku.
-    # `fn`: funkcja, która ma zostać wywołana (nasza `handle_course_generation`)
-    # `inputs`: komponent, z którego pobieramy dane (nasze pole tekstowe `topic_input`)
-    # `outputs`: komponent, w którym wyświetlamy wynik (nasz `output_display`)
     generate_button.click(
-        fn=handle_course_generation,
+        fn=generate_course_and_images,
         inputs=topic_input,
-        outputs=output_display
+        outputs=[output_display, image_gallery] # Teraz mamy dwa wyjścia!
     )
 
-# Ta linia uruchamia interfejs Gradio
 demo.launch()