Update app.py

app.py

@@ -24,7 +24,8 @@ print(f"CUDA доступна: {torch.cuda.is_available()}")
 if torch.cuda.is_available():
     print(f"GPU: {torch.cuda.get_device_name(0)}")
 
-MODEL_NAME = "ai-forever/rugpt3small_based_on_gpt2"
+# Используем модель, которая точно работает
+MODEL_NAME = "sberbank-ai/rugpt3small_based_on_gpt2"  # Рабочая модель
 EMBEDDING_MODEL = "all-MiniLM-L6-v2"
 SCIENCE_DATASET = "RafaelUI/ru_science"
 ARTICLE_LIMIT = 50
@@ -51,7 +52,19 @@ st.set_page_config(
 )
 
 # ===================================================================
-# 2. НАСТОЯЩАЯ НЕЙРОСЕТЬ (ВСЕГДА ГЕНЕРИРУЕТ)
+# 2. ПРОВЕРКА УСТАНОВКИ TRANSFORMERS
+# ===================================================================
+
+try:
+    from transformers import GPT2LMHeadModel, GPT2Tokenizer
+    TRANSFORMERS_OK = True
+except ImportError:
+    TRANSFORMERS_OK = False
+    st.error("❌ Ошибка: transformers не установлен или устарел")
+    st.info("Установите: pip install transformers --upgrade")
+
+# ===================================================================
+# 3. НАСТОЯЩАЯ НЕЙРОСЕТЬ
 # ===================================================================
 
 class NeuralChatbot:
@@ -62,7 +75,6 @@ class NeuralChatbot:
         self.generator = None
         self.is_loaded = False
         
-        # Системный промпт для нейросети
         self.system_prompt = f"""Ты - {AI_NAME}, дружелюбный научный AI-ассистент от компании {COMPANY_NAME}.
 Ты создан в {CREATION_DATE} командой {', '.join(CREATORS)}.
 Ты всегда отвечаешь на русском языке, тепло и профессионально.
@@ -72,6 +84,9 @@ class NeuralChatbot:
 Вот вопрос пользователя: """
     
     def load_model(self):
+        if not TRANSFORMERS_OK:
+            return False
+            
         with st.spinner("🧠 Загружаю нейросеть..."):
             try:
                 from transformers import GPT2LMHeadModel, GPT2Tokenizer
@@ -101,15 +116,12 @@ class NeuralChatbot:
                 return False
     
     def generate(self, query):
-        """Генерация ответа нейросетью"""
         if not self.is_loaded:
             return self.fallback_response(query)
         
         try:
-            # Формируем промпт
             prompt = self.system_prompt + query
             
-            # Генерируем
             response = self.generator(
                 prompt,
                 max_new_tokens=250,
@@ -119,10 +131,8 @@ class NeuralChatbot:
                 repetition_penalty=1.2
             )[0]['generated_text']
             
-            # Убираем промпт
             response = response.replace(prompt, "").strip()
             
-            # Если ответ пустой или слишком короткий
             if len(response) < 15:
                 return self.fallback_response(query)
             
@@ -133,7 +143,6 @@ class NeuralChatbot:
             return self.fallback_response(query)
     
     def fallback_response(self, query):
-        """Резервный ответ (если нейросеть не работает)"""
         return f"""Я {AI_NAME} от {COMPANY_NAME}. 
 
 К сожалению, сейчас нейросеть временно недоступна, но я хочу ответить на ваш вопрос: "{query}"
@@ -143,7 +152,7 @@ class NeuralChatbot:
 А пока я могу рассказать, что создан в {CREATION_DATE} командой {', '.join(CREATORS)}. Я помогаю с научными вопросами и технологиями."""
 
 # ===================================================================
-# 3. ЗАГРУЗКА СТАТЕЙ (ДЛЯ КОНТЕКСТА)
+# 4. ЗАГРУЗКА СТАТЕЙ
 # ===================================================================
 
 @st.cache_resource
@@ -176,13 +185,16 @@ def load_science_articles():
 
 @st.cache_resource
 def load_embedder():
-    return SentenceTransformer(EMBEDDING_MODEL)
+    try:
+        return SentenceTransformer(EMBEDDING_MODEL)
+    except:
+        return None
 
 @st.cache_resource
 def create_embeddings(_articles, _embedder):
     if os.path.exists(EMBEDDINGS_FILE):
         return np.load(EMBEDDINGS_FILE)
-    if not _articles:
+    if not _articles or _embedder is None:
         return np.array([])
     texts = [f"{a['title']}\n\n{a['text']}" for a in _articles]
     embeddings = _embedder.encode(texts, normalize_embeddings=True, show_progress_bar=True, batch_size=64)
@@ -190,26 +202,27 @@ def create_embeddings(_articles, _embedder):
     return embeddings
 
 def search_articles(query, _articles, _embeddings, _embedder):
-    """Поиск релевантных статей"""
-    if not _articles or len(_embeddings) == 0:
+    if not _articles or len(_embeddings) == 0 or _embedder is None:
+        return []
+    try:
+        query_vector = _embedder.encode([query], normalize_embeddings=True)[0]
+        scores = _embeddings @ query_vector
+        top_indices = np.argsort(-scores)[:2]
+        results = []
+        for idx in top_indices:
+            score = float(scores[int(idx)])
+            if score > 0.15:
+                article = _articles[int(idx)]
+                results.append({"title": article['title'], "score": score, "text": article['text'][:500]})
+        return results
+    except:
         return []
-    query_vector = _embedder.encode([query], normalize_embeddings=True)[0]
-    scores = _embeddings @ query_vector
-    top_indices = np.argsort(-scores)[:2]
-    results = []
-    for idx in top_indices:
-        score = float(scores[int(idx)])
-        if score > 0.15:
-            article = _articles[int(idx)]
-            results.append({"title": article['title'], "score": score, "text": article['text'][:500]})
-    return results
 
 # ===================================================================
-# 4. ОЧИСТКА ЗАПРОСОВ
+# 5. ОЧИСТКА ЗАПРОСОВ
 # ===================================================================
 
 def clean_query(query):
-    """Очищает запрос от спама"""
     query = re.sub(r'http[s]?://\S+', '', query)
     query = re.sub(r'\S+@\S+', '', query)
     query = re.sub(r'\+7\s*\(?\d{3}\)?\s*\d{3}\s*\d{2}\s*\d{2}', '', query)
@@ -222,20 +235,8 @@ def clean_query(query):
     
     return query.strip()
 
-def enhance_with_context(query, articles_context):
-    """Добавляет контекст из статей к запросу"""
-    if not articles_context:
-        return query
-    
-    context = "\n\nВот релевантная научная информация:\n"
-    for i, art in enumerate(articles_context, 1):
-        context += f"{i}. {art['title']}\n{art['text'][:300]}...\n"
-    
-    context += f"\nНа основе этой информации, ответь на вопрос: {query}"
-    return context
-
 # ===================================================================
-# 5. ОСНОВНОЙ КЛАСС
+# 6. ОСНОВНОЙ КЛАСС
 # ===================================================================
 
 class OpenAirAI:
@@ -250,21 +251,12 @@ class OpenAirAI:
         self.is_ready = self.chatbot.load_model()
         return self.is_ready
     
-    def generate_answer(self, query, articles_context=None):
-        """Генерирует ответ ТОЛЬКО нейросетью, без if/else"""
+    def generate_answer(self, query):
         clean_q = clean_query(query)
-        
-        # Если есть контекст статей - добавляем его
-        if articles_context:
-            enhanced_query = enhance_with_context(clean_q, articles_context)
-        else:
-            enhanced_query = clean_q
-        
-        # ВСЕГДА генерируем нейросетью
-        return self.chatbot.generate(enhanced_query)
+        return self.chatbot.generate(clean_q)
 
 # ===================================================================
-# 6. ИНТЕРФЕЙС
+# 7. ИНТЕРФЕЙС
 # ===================================================================
 
 # Загрузка данных
@@ -282,8 +274,7 @@ ai = st.session_state.ai
 # История чата
 if "messages" not in st.session_state:
     st.session_state.messages = []
-    # Первое приветствие генерируется нейросетью
-    greeting = ai.generate_answer("Привет! Представься и расскажи о себе")
+    greeting = ai.generate_answer("Привет! Представься и расскажи о себе кратко")
     st.session_state.messages.append({"role": "assistant", "content": greeting})
 
 # --- БОКОВАЯ ПАНЕЛЬ ---
@@ -311,7 +302,7 @@ with st.sidebar:
     
     if st.button("🗑️ Очистить чат"):
         st.session_state.messages = []
-        greeting = ai.generate_answer("Привет! Представься и расскажи о себе")
+        greeting = ai.generate_answer("Привет! Представься и расскажи о себе кратко")
         st.session_state.messages.append({"role": "assistant", "content": greeting})
         st.rerun()
     
@@ -332,21 +323,19 @@ for message in st.session_state.messages:
 
 # Поле ввода
 if prompt := st.chat_input("Задайте вопрос..."):
-    # Добавляем сообщение пользователя
     st.session_state.messages.append({"role": "user", "content": prompt})
     with st.chat_message("user"):
         st.markdown(prompt)
     
-    # Генерация ответа нейросетью
     with st.chat_message("assistant"):
         with st.spinner("🧠 Нейросеть генерирует ответ..."):
-            # Ищем релевантные статьи для контекста
+            # Ищем релева��тные статьи
             articles_context = search_articles(prompt, articles, embeddings, embedder)
             
-            # Генерируем ответ (ВСЕГДА нейросетью)
-            response = ai.generate_answer(prompt, articles_context)
+            # Генерируем ответ
+            response = ai.generate_answer(prompt)
             
-            # Добавляем статьи в ответ, если они есть и не встроены
+            # Добавляем статьи в ответ
             if articles_context and len(response) < 50:
                 response += "\n\n📄 Я нашел релевантные научные статьи:\n"
                 for i, art in enumerate(articles_context, 1):