Update app.py

app.py

@@ -10,7 +10,6 @@ from PIL import Image, ImageDraw, ImageOps, ImageFont
 import base64
 import tempfile
 
-from tavily import TavilyClient
 
 from langchain.chains import LLMChain, RetrievalQA
 from langchain.chat_models import ChatOpenAI
@@ -69,22 +68,12 @@ file_path_download = ""
 
 #Plattform Keys aus den Secrets holen zu diesem Space
 HUGGINGFACEHUB_API_TOKEN = os.getenv("HF_ACCESS_READ")
-OAI_API_KEY=os.getenv("OPENAI_API_KEY")
 HEADERS = {"Authorization": f"Bearer {HUGGINGFACEHUB_API_TOKEN}"}
-TAVILY_KEY = os.getenv("TAVILY_KEY")
-os.environ["TAVILY_API_KEY"] = TAVILY_KEY
-ANTI_BOT_PW = os.getenv("CORRECT_VALIDATE")
-
+#CORREKT_VALIDATE
+ANTI_BOT_PW = os.getenv("VALIDATE_PW")
 
 ################################################
 #LLM Model mit dem gearbeitet wird
-#openai-------------------------------------
-#MODEL_NAME  = "gpt-3.5-turbo-16k"
-#MODEL_NAME = "gpt-3.5-turbo-1106"
-MODEL_NAME= "gpt-4-1106-preview"
-MODEL_NAME_IMAGE = "gpt-4-vision-preview"
-
-
 #verfügbare Modelle anzeigen lassen
 #HuggingFace Reop ID--------------------------------
 #repo_id = "meta-llama/Llama-2-13b-chat-hf"   
@@ -106,14 +95,6 @@ repo_id = "google/gemma-7b"
 #HuggingFace Model name--------------------------------
 #MODEL_NAME_HF  = "mistralai/Mixtral-8x7B-Instruct-v0.1"
 MODEL_NAME_HF  = "google/gemma-7b"
-MODEL_NAME_OAI_ZEICHNEN = "dall-e-3"
-#Alternativ zeichnen: Stabe Diffusion from HF:
-API_URL = "https://api-inference.huggingface.co/models/stabilityai/stable-diffusion-2-1"
-
-################################################
-#Inference - Endpoint
-################################################
-ENDPOINT_URL = "https://ih7lj8onsvp1wbh0.us-east-1.aws.endpoints.huggingface.cloud"
 
 ################################################
 #HF Hub Zugriff ermöglichen
@@ -121,14 +102,6 @@ ENDPOINT_URL = "https://ih7lj8onsvp1wbh0.us-east-1.aws.endpoints.huggingface.clo
 os.environ["HUGGINGFACEHUB_API_TOKEN"] = HUGGINGFACEHUB_API_TOKEN
 
 
-################################################
-#OpenAI Zugang, client und Assistant einmal erzeugen.
-################################################
-#zentral einmal erzeugen!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
-client = OpenAI()
-general_assistant_file = client.beta.assistants.create(name="File Analysator",instructions=template, model="gpt-4-1106-preview",)
-thread_file = client.beta.threads.create()
-general_assistant_suche= openai_assistant_suche(client)
 
 
 #################################################
@@ -232,14 +205,7 @@ def cancel_outputing():
 def reset_textbox():
     return gr.update(value=""),""
 
-    
-##########################################
-#Hilfsfunktion, um ein von Stable Diffusion erzeugtes Bild für die Ausgabe in der History vorzubereiten
-def umwandeln_fuer_anzeige(image):
-        buffer = io.BytesIO()  
-        image.save(buffer, format='PNG')
-        return buffer.getvalue()
-    
+     
 
 
 ##################################################
@@ -343,71 +309,9 @@ def generate_auswahl(prompt_in, file, file_history, chatbot, history, rag_option
                 except:
                     pass
         
-##################################################
-#zu einem Text-Prompt ein Bild via Stable Diffusion generieren
-def generate_bild(prompt, chatbot, model_option_zeichnen='HuggingFace', temperature=0.5, max_new_tokens=4048,top_p=0.6, repetition_penalty=1.3, validate=False):
-    global client
-    if (model_option_zeichnen == "Stable Diffusion"):
-        print("Bild Erzeugung HF..............................")
-        #Bild nach Anweisung zeichnen und in History darstellen...
-        data = {"inputs": prompt}
-        response = requests.post(API_URL, headers=HEADERS, json=data)
-        print("fertig Bild")
-        result = response.content 
-        #Bild ausgeben
-        image = Image.open(io.BytesIO(result)) 
-        image_64 = umwandeln_fuer_anzeige(image)
-        chatbot[-1][1]= "<img src='data:image/png;base64,{0}'/>".format(base64.b64encode(image_64).decode('utf-8'))
-    else:     
-        print("Bild Erzeugung DallE..............................")
-        #als Format ginge auch 'url', n - Anz. der erzeugten Bilder
-        response = client.images.generate(model="dall-e-3",prompt=prompt,size="1024x1024",quality="standard",n=1, response_format='b64_json') 
-        #chatbot[-1][1]= "<img src='data:image/png;base64,{0}'/>".format(base64.b64encode(image_64).decode('utf-8'))
-        chatbot[-1][1] = "<img src='data:image/png;base64,{0}'/>".format(response.data[0].b64_json)
-    
-    return chatbot, "Antwort KI: Success"
     
 
-##################################################
-#zu einem Bild und Text-Prompt eine Analyse generieren
-def generate_text_zu_bild(file, prompt, k, rag_option, chatbot, history, db):
-    global splittet
-    print("Text mit Bild ..............................")
-    prompt_neu = generate_prompt_with_history(prompt, history)
-    if (rag_option == "An"):
-        print("Bild mit RAG..............................")
-        neu_text_mit_chunks = rag_chain2(prompt, db, k)
-        #für Chat LLM:
-        #prompt = generate_prompt_with_history_openai(neu_text_mit_chunks, history)
-        #als reiner prompt:
-        prompt_neu = generate_prompt_with_history(neu_text_mit_chunks, history)
-
-    headers, payload = process_image(file, prompt_neu, MODEL_NAME_IMAGE, OAI_API_KEY)
-    response = requests.post("https://api.openai.com/v1/chat/completions", headers=headers, json=payload)
-    #als json ausgeben
-    data = response.json()
-    # Den "content" auswählen, da dort die Antwort der Ki enthalten ist
-    result = data['choices'][0]['message']['content']
-    return result
-
-
-##################################################
-#zu einem Bild und Text-Prompt eine Analyse generieren
-def generate_text_zu_doc(file, prompt, k, rag_option, chatbot, history, db):
-    global splittet
-    print("text mit doc ..............................")
-    
-    prompt_neu = generate_prompt_with_history(prompt, history)
-    if (rag_option == "An"):
-        print("Doc mit RAG..............................")
-        neu_text_mit_chunks = rag_chain2(prompt, db, k)
-        #für Chat LLM:
-        #prompt_neu = generate_prompt_with_history_openai(neu_text_mit_chunks, history)
-        #als reiner prompt:
-        prompt_neu = generate_prompt_with_history(neu_text_mit_chunks, history) 
-        
-    result = create_assistant_file(prompt_neu, file)
-    return result    
+   
     
 
 ####################################################