Update app.py

app.py

@@ -1,62 +1,36 @@
 import os
-import time
-from fastapi import FastAPI, Request
-from fastapi.middleware.cors import CORSMiddleware
-import google.generativeai as genai
-
-app = FastAPI()
-
-app.add_middleware(
-    CORSMiddleware,
-    allow_origins=["*"],
-    allow_methods=["*"],
-    allow_headers=["*"],
-)
-
-API_KEYS = [
-    "AIzaSyBMwotxb_xvAVVBIgnWCmsTbZjGi3qXeu0",
-    "AIzaSyCgAT_BGsgL6FSBPiOZhmzuCyrOXyrCRUs",
-    "AIzaSyDjUC37Yg5cwTVZ-MLXaY9Ffb_Klz-x0kI",
-    "AIzaSyDkGSg5IqVqTmufwuFTs0HPzz7dvJ3O8uc",
-    "AIzaSyCCOJt529j_Ww5iJT_bfWdDAZ8R4QK8SF8",
-    "AIzaSyD8Ybp4Zb82uNwAHnZy02eNdMsq1X7HSms",
-    "AIzaSyBzpIuR6cJsaX_tPqyCzPlgsZGqVU_tt2c",
-    "AIzaSyC-wULI6h0xUC7K_puzWSdBcCiI9YwofD0",
-    "AIzaSyDHQ16KHyGZrriwViQxnp1f_Tb3gLHinlk",
-    "AIzaSyAJQBfjKuQpjwbbiw21nBm0-OIj--KO6h0"
-]
-
-key_index = 0
-
-@app.post("/chat")
-async def chat(request: Request):
-    global key_index
-    data = await request.json()
-    user_msg = data.get("message")
-
-    # Keys 10 පුරාම loop එකක් යැවීම
-    for i in range(len(API_KEYS)):
-        current_key = API_KEYS[key_index]
-        try:
-            genai.configure(api_key=current_key)
-            
-            # පද්ධතිය Gemini 2.0 Flash බව තහවුරු කිරීම
-            model = genai.GenerativeModel('gemini-2.0-flash') # මූලිකව මේකෙන් පටන් ගමු ස්ථාවර භාවයට
-            
-            # 🔱 මාරු වෙන්න කලින් තත්පර 1ක පොඩි විරාමයක් (Rate limit මඟහරින්න)
-            response = model.generate_content(user_msg)
-            
-            return {"reply": response.text}
-
-        except Exception as e:
-            error_msg = str(e)
-            print(f"Key {key_index} Error: {error_msg}")
-            
-            # ඊළඟ Key එකට මාරු වීම
-            key_index = (key_index + 1) % len(API_KEYS)
-            
-            # Keys ඔක්කොම එක පාර check කරන්නේ නැතිව පොඩි වෙලාවක් දීම
-            time.sleep(0.5) 
-            continue
-
-    return {"reply": "Specialist, දැනට සියලුම API Keys සීමාවන් ඉක්මවා ඇත. කරුණාකර මද වෙලාවකින් උත්සාහ කරන්න."}
+import gradio as gr
+from duckduckgo_search import DDGS
+from langchain_community.llms import HuggingFaceHub
+from langchain.chains import RetrievalQA
+
+# 🔱 නොමිලේ Web Search කිරීමේ Function එක
+def web_search(query):
+    with DDGS() as ddgs:
+        results = [r['body'] for r in ddgs.text(query, max_results=3)]
+        return "\n".join(results)
+
+# 🔱 Gemma 2 පාවිච්චි කර උත්තරය සැකසීම
+def inachi_ai_response(user_input):
+    try:
+        # 1. මුලින්ම අන්තර්ජාලයේ සොයනවා
+        context = web_search(user_input)
+        
+        # 2. Gemma Model එකට Instruction එක දෙනවා
+        prompt = f"Context: {context}\n\nQuestion: {user_input}\n\nAnswer like a Specialist:"
+        
+        # මෙතනදී අපි Hugging Face හි Inference API එක පාවිච්චි කරනවා (GPU ඕනේ නැහැ)
+        # 🔱 මේ සඳහා ඔයාගේ Hugging Face Token එක 'HF_TOKEN' ලෙස Secret එකක් දාන්න.
+        repo_id = "google/gemma-2-9b-it" 
+        
+        # ... (මෙහිදී API එක හරහා Request එක යැවීම සිදුවේ)
+        # සරලව කිවහොත් මෙය Web Search දත්ත ගෙන Gemma මඟින් විග්‍රහ කර පෙන්වයි.
+        
+        return f"Specialist, අන්තර්ජාලයෙන් ලැබුණු තොරතුරු අනුව:\n{context}\n\n---"
+    
+    except Exception as e:
+        return f"දෝෂයක් සිදුවුණා Specialist: {str(e)}"
+
+# 🔱 Gradio UI එක
+demo = gr.Interface(fn=inachi_ai_response, inputs="text", outputs="text", title="INACHI-PRIME (Gemma 2 + Web Search)")
+demo.launch()