# backend_prai_final.py import os import json import hashlib import time from google.auth import default import google_generativeai as genai from flask import Flask, request, jsonify app = Flask(__name__) # --- Konfiguration (wie zuvor) --- PROJECT_ID = "imposing-eye-446911-f4" MODEL_NAME = "gemini-pro" QUANTUM_SALT = os.environ.get("QUANTUM_SALT", "default_quantum_salt_42") # --- Initialisierung (wie zuvor) --- credentials, project = default() genai.configure(project=PROJECT_ID, credentials=credentials) gemini_model = genai.GenerativeModel(MODEL_NAME) # --- Datenstrukturen für Wortschatz (Beispiel) --- allgemeiner_wortschatz = { "de": { "abc": ["a", "b", "c", "..."], "hallo": ["Hallo!", "Guten Tag!", "Servus!"], # ... (weitere Kategorien und Wörter) ... }, "en": { "abc": ["a", "b", "c", "..."], "hello": ["Hello!", "Hi!", "Hey!"], # ... }, # ... (weitere Sprachen) ... } gelernt_conversations = [] # Liste zum Speichern von gelernten Gesprächsverläufen feedback_daten = [] # Liste zum Speichern von Feedback def generate_feedback_id(): return hashlib.sha256(str(time.time()).encode()).hexdigest()[:8] def generate_quantum_id(user_message: str, timestamp: float) -> str: # ... (wie zuvor) ... def prai_filter(gemini_response: str, user_message: str): filtered_response = gemini_response.replace("schlecht", "nicht gut").replace("gefährlich", "bedenklich") # ... (weitere Filterlogik) ... return filtered_response def interact_with_gemini(user_message: str): # ... (wie zuvor) ... def generate_suggested_questions(user_message: str, gemini_response: str): # **Komplexe Logik erforderlich:** Hier müsste eine KI oder regelbasiertes System analysieren, # was der Nutzer gefragt hat und was die Antwort war, um plausible nächste Fragen zu generieren. # Dies könnte Gemini selbst übernehmen oder eine separate Logik basierend auf den # gelernten Conversationsfolgen und dem allgemeinen Wortschatz. return ["Erzählen Sie mehr?", "Wie funktioniert das genau?", "Was sind die Vorteile?"] @app.route("/", methods=["POST"]) def main_route(): data = request.get_json(silent=True) if data and 'message' in data: user_message = data['message'] gemini_response = interact_with_gemini(user_message) prai_response = prai_filter(gemini_response, user_message) feedback_id = generate_feedback_id() suggested_questions = generate_suggested_questions(user_message, prai_response) return jsonify({'reply': f"PRAI: {prai_response}", 'feedbackId': feedback_id, 'suggestedQuestions': suggested_questions}) return jsonify({'error': 'Nachricht fehlt im Anfragekörper'}), 400 @app.route("/feedback", methods=["POST"]) def feedback_route(): data = request.get_json(silent=True) if data and 'feedbackId' in data and 'rating' in data: feedback_daten.append(data) print(f"Feedback erhalten: {data}") # Hier müsste die Logik implementiert werden, um das Feedback für das Training zu nutzen # (z.B. Speichern in einer Datenbank, Anpassen von Gewichten im Algorithmus). return jsonify({'success': True}) return jsonify({'error': 'Fehler beim Feedback'}), 400 if __name__ == "__main__": app.run(debug=True) # Nur für lokale Entwicklung! In Cloud Functions anders.

Multi-Sprachen Sandbox mit GitHub Logging & Hintergrundprozess

Wähle eine Sprache, gib deinen Code ein und führe ihn aus. Der rechte Bereich zeigt in Echtzeit den Hintergrundprozess (Überprüfung, Installation, etc.) an.

Senden