Upload folder using huggingface_hub

app.py

@@ -10,6 +10,12 @@ import uuid # For generating unique IDs for chunks
 from dotenv import load_dotenv
 # from pdfminer.high_level import extract_text as pdfminer_extract_text
 
+# FastAPI関連のインポート
+from fastapi import FastAPI, UploadFile, File, HTTPException
+from typing import List, Optional
+from pydantic import BaseModel
+import shutil
+import tempfile
 
 # LLMクライアントのインポート
 from openai import OpenAI
@@ -18,7 +24,7 @@ import google.generativeai as genai
 
 import sys
 
-print(f"---thon executable: {sys.executable}")
+print(f"---Python executable: {sys.executable}")
 print(f"Python version: {sys.version}")
 print(f"Python version info: {sys.version_info}")
 print(f"--------------------------")
@@ -75,6 +81,15 @@ if GOOGLE_API_KEY:
 else:
     print("GOOGLE_API_KEYが設定されていません。Google Geminiモデルは利用できません。")
 
+# --- LLM選択肢のリスト (APIとGradioで共有) ---
+llm_options = ["Ollama"]
+if client_openai:
+    llm_options.append("GPT")
+if client_anthropic:
+    llm_options.append("Anthropic")
+if client_gemini:
+    llm_options.append("Google Gemini")
+
 # --- 埋め込みモデルの初期化 ---
 # 重複定義を削除し、1回のみ初期化
 embedding_model = SentenceTransformer('pkshatech/GLuCoSE-base-ja') # 日本語対応の埋め込みモデル
@@ -92,7 +107,8 @@ sbert_ef = SBERTEmbeddingFunction(embedding_model)
 
 # --- ChromaDBクライアントとコレクションの初期化 ---
 # インメモリモードで動作させ、アプリケーション起動時にコレクションをリセットします。
-# グローバル変数としてクライアントを保持
+# APIとして利用する場合、永続化されたChromaDB (例: chromadb.PersistentClient(path="./chroma_db"))
+# を使用する検討必要
 client = chromadb.Client()
 collection_name = "pdf_documents_collection"
 
@@ -147,17 +163,6 @@ def extract_text_from_pdf(pdf_file_path):
         print(f"  Error during PDF reading: {e}")
         return f"ERROR: PDFの読み込み中にエラーが発生しました: {e}" # プレフィックスを追加
 
-# def extract_text_from_pdf(pdf_file_path):
-#     """PDFファイルからテキストを抽出する (pdfminer.sixを使用)"""
-#     try:
-#         # pdfminer.six の extract_text 関数を使用
-#         text = pdfminer_extract_text(pdf_file_path)
-#         if not text.strip():
-#             return "PDFからテキストを抽出できませんでした。画像ベースのPDFかもしれません。"
-#         return text
-#     except Exception as e:
-#         return f"PDFの読み込み中にエラーが発生しました: {e}"
-
 def get_llm_response(selected_llm, query, context, source_code_to_check):
     """選択されたLLMを使用して質問に回答する"""
     system_prompt = "あなたは提供されたコンテキスト（ソースコードチェックリスト）とレビュー対象のソースコードに基づいて、ソースコードをチェックし、その結果を返す有益なアシスタントです。チェックリストの項目ごとにソースコードを評価し、具体的な指摘と改善案を提示してください。コンテキストに情報がない場合は、「提供された情報からは回答できません。」と答えてください。"
@@ -276,7 +281,7 @@ def get_llm_response(selected_llm, query, context, source_code_to_check):
         return f"LLM ({selected_llm}) の呼び出し中にエラーが発生しました: {e}"
 
 def upload_pdf_and_process(pdf_files):
-    """複数のPDFファイルをアップロードし、テキストを抽出し、ChromaDBに登録する"""
+    """複数のPDFファイルをアップロードし、テキストを抽出し、ChromaDBに登録する (Gradio用)"""
     if not pdf_files:
         print("No PDF files uploaded.")
         return "PDFファイルがアップロードされていません。", gr.update(interactive=False), gr.update(interactive=False)
@@ -297,10 +302,7 @@ def upload_pdf_and_process(pdf_files):
 
             # --- デバッグ用追加コード (前回のデバッグで追加したものは残しておくと良いでしょう) ---
             print(f"DEBUG: raw_text received from extract_text_from_pdf (length: {len(raw_text)})")
-            # print(f"DEBUG: raw_text starts with: '{raw_text[:100].replace(newline_char, ' ')}'")
             print(f"DEBUG: 'エラー' in raw_text: {'エラー' in raw_text}")
-            print(f"DEBUG: '抽出できませんでした' in raw_text: {'抽出できませんでした' in raw_text}")
-            print(f"DEBUG: 'PDFにページが含まれていません' in raw_text: {'PDFにページが含まれていません' in raw_text}")
             # --- デバッグ情報ここまで ---
 
             # エラープレフィックスでチェックするように変更
@@ -343,6 +345,7 @@ def upload_pdf_and_process(pdf_files):
     final_status_message = f"{processed_files_count}個のPDFファイルの処理が完了しました。合計{total_chunks_added}個のチャンクがデータベースに登録されました。質問とソースコードを入力してください。\n\n" + "\n".join(all_status_messages)
     return final_status_message, gr.update(interactive=True), gr.update(interactive=True)
 
+# --- Gradio UI用の質問応答関数 ---
 def answer_question(question, source_code, selected_llm):
     """ChromaDBから関連情報を取得し、選択されたLLMで質問に回答する"""
     if not question and not source_code:
@@ -371,6 +374,156 @@ def answer_question(question, source_code, selected_llm):
         print(f"質問応答中に予期せぬエラーが発生しました: {e}")
         return f"質問応答中に予期せぬエラーが発生しました: {e}", ""
 
+
+# --- FastAPI用のPydanticモデル ---
+class PDFUploadResponse(BaseModel):
+    status: str
+    processed_files_count: int
+    total_chunks_added: int
+    details: List[str]
+
+class CodeReviewRequest(BaseModel):
+    question: Optional[str] = ""
+    source_code: str
+    selected_llm: str
+
+class CodeReviewResponse(BaseModel):
+    review_result: str
+    retrieved_context: str
+
+# --- FastAPIアプリケーションの初期化 ---
+app = FastAPI(
+    title="Code Review API with RAG",
+    description="Upload PDF checklists and get AI-powered code reviews using various LLMs.",
+    version="1.0.0"
+)
+
+# --- FastAPIエンドポイント ---
+
+# --- FastAPIエンドポイント ---
+
+@app.post("/api/upload_pdf", response_model=PDFUploadResponse, summary="Upload PDF documents for RAG context")
+async def upload_pdf_for_api(pdf_files: List[UploadFile] = File(..., description="List of PDF files to upload")):
+    """
+    Uploads one or more PDF files. The text content will be extracted,
+    chunked, and stored in the vector database to be used as context
+    for code reviews.
+    """
+    if not pdf_files:
+        raise HTTPException(status_code=400, detail="No PDF files uploaded.")
+
+    processed_files_count = 0
+    total_chunks_added = 0
+    all_status_messages = []
+
+    for pdf_file in pdf_files:
+        # 一時ファイルを作成し、アップロードされたファイルを保存
+        with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf") as tmp_file:
+            shutil.copyfileobj(pdf_file.file, tmp_file)
+            tmp_file_path = tmp_file.name
+
+        try:
+            file_name = pdf_file.filename if pdf_file.filename else "unknown_file.pdf"
+            all_status_messages.append(f"PDFファイル '{file_name}' を処理中...")
+            print(f"Processing PDF: {file_name} (Temporary Path: {tmp_file_path})")
+
+            raw_text = extract_text_from_pdf(tmp_file_path)
+
+            if raw_text.startswith("ERROR:"):
+                all_status_messages.append(raw_text)
+                print(f"Error during text extraction from {file_name}: {raw_text}")
+                continue
+
+            chunks = text_splitter.split_text(raw_text)
+            if not chunks:
+                all_status_messages.append(f"'{file_name}' から有効なテキストチャンクを抽出できませんでした。")
+                print(f"No valid chunks extracted from {file_name}.")
+                continue
+
+            documents = chunks
+            metadatas = [{"source": file_name, "chunk_index": i} for i in range(len(chunks))]
+            ids = [str(uuid.uuid4()) for _ in range(len(chunks))]
+            collection.add(
+                documents=documents,
+                metadatas=metadatas,
+                ids=ids
+            )
+            processed_files_count += 1
+            total_chunks_added += len(chunks)
+            all_status_messages.append(f"PDFファイル '{file_name}' の処理が完了しました。{len(chunks)}個のチャンクがデータベースに登録されました。")
+            print(f"Finished processing {file_name}. Added {len(chunks)} chunks.")
+
+        except Exception as e:
+            all_status_messages.append(f"PDFファイル '{file_name}' 処理中に予期せぬエラーが発生しました: {e}")
+            print(f"Unexpected error during processing {file_name}: {e}")
+        finally:
+            # 一時ファイルを削除
+            os.unlink(tmp_file_path)
+
+    final_status_message = f"{processed_files_count}個のPDFファイルの処理が完了しました。合計{total_chunks_added}個のチャンクがデータベースに登録されました。"
+    return PDFUploadResponse(
+        status=final_status_message,
+        processed_files_count=processed_files_count,
+        total_chunks_added=total_chunks_added,
+        details=all_status_messages
+    )
+
+@app.post("/api/review_code", response_model=CodeReviewResponse, summary="Get an AI-powered code review")
+async def review_code_for_api(request: CodeReviewRequest):
+    """
+    Performs an AI-powered code review based on the uploaded PDF checklists
+    and the provided source code and review instructions.
+    """
+    question = request.question if request.question else "一般��なコードレビューを実施してください。"
+    source_code = request.source_code
+    selected_llm = request.selected_llm
+
+    if not source_code:
+        raise HTTPException(status_code=400, detail="レビュー対象のソースコードを入力してください。")
+
+    if selected_llm not in llm_options:
+        raise HTTPException(status_code=400, detail=f"無効なLLMが選択されました: {selected_llm}。利用可能なLLM: {', '.join(llm_options)}")
+
+    if collection.count() == 0:
+        # PDFがアップロードされていない場合でも、LLMによっては一般的なレビューが可能だが、
+        # RAGの意図を考えるとエラーとするのが適切。
+        # ただし、ユーザーが「コンテキストなしでレビュー」を意図するなら、このエラーは不要。
+        # 今回はRAGが前提なのでエラーとする。
+        raise HTTPException(status_code=400, detail="PDFがまだアップロードされていないか、処理されていません。まずPDFをアップロードしてコンテキストを登録してください。")
+
+    try:
+        print(f"Searching ChromaDB for question: {question}")
+        results = collection.query(
+            query_texts=[question],
+            n_results=8
+        )
+        context_chunks = results['documents'][0] if results['documents'] else []
+        if not context_chunks:
+            print("No relevant context chunks found in ChromaDB.")
+            context = "提供されたコンテキストはありません。" # コンテキストが見つからなくても、LLMに渡す
+        else:
+            context = "\n\n".join(context_chunks)
+            print(f"Retrieved context (first 500 chars):\n{context[:500]}...")
+
+        answer = get_llm_response(selected_llm, question, context, source_code)
+
+        # get_llm_responseからのエラー文字列をHTTPExceptionに変換
+        if answer.startswith("LLM (") and "の呼び出し中にエラーが発生しました" in answer:
+            raise HTTPException(status_code=500, detail=answer)
+        if "APIキーが設定されていないため" in answer:
+            raise HTTPException(status_code=500, detail=answer)
+        if "からの応答形式が不正です" in answer:
+            raise HTTPException(status_code=500, detail=answer)
+        if "からの応答が安全ポリシーによりブロックされました" in answer:
+            raise HTTPException(status_code=403, detail=answer) # 403 Forbidden for safety issues
+
+        return CodeReviewResponse(review_result=answer, retrieved_context=context)
+    except HTTPException as e:
+        raise e # FastAPIのHTTPExceptionはそのまま再スロー
+    except Exception as e:
+        print(f"APIコードレビュー中に予期せぬエラーが発生しました: {e}")
+        raise HTTPException(stat
+
 # --- Gradio UIの構築 ---
 with gr.Blocks() as gradioUI:
     gr.Markdown(
@@ -429,5 +582,25 @@ with gr.Blocks() as gradioUI:
         outputs=[answer_output, retrieved_context_output]
     )
 
-# gradioUI.launch(server_name="localhost", server_port=7860)
-gradioUI.launch(server_name="0.0.0.0", server_port=7860)
+# --- GradioアプリケーションをFastAPIにマウント ---
+# Gradio UIは /gradio パスでアクセス可能になります。
+app = gr.mount_gradio_app(app, gradioUI, path="/gradio")
+
+# --- FastAPIのルートエンドポイント (Gradioへの誘導) ---
+@app.get("/", summary="Root endpoint")
+async def read_root():
+    return {
+        "message": "Welcome to the Code Review API! Access the Gradio UI at /gradio.",
+        "api_docs": "You can find the API documentation at /docs or /redoc.",
+        "api_endpoints": {
+            "upload_pdf": "/api/upload_pdf (POST)",
+            "review_code": "/api/review_code (POST)"
+        }
+    }
+
+# --- アプリケーションの起動 ---
+if __name__ == "__main__":
+    import uvicorn
+    # 開発中は reload=True を使うとコード変更時に自動で再起動します。
+    # uvicorn.run(app, host="0.0.0.0", port=7860, reload=True)
+    uvicorn.run(app, host="0.0.0.0", port=7860)

app_multillm_OK.py

@@ -0,0 +1,422 @@
+import os
+import gradio as gr
+from pypdf import PdfReader
+from sentence_transformers import SentenceTransformer
+import chromadb
+from chromadb.utils import embedding_functions
+import ollama # Ollamaライブラリをインポート
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+import uuid # For generating unique IDs for chunks
+from dotenv import load_dotenv
+# from pdfminer.high_level import extract_text as pdfminer_extract_text
+
+
+# LLMクライアントのインポート
+from openai import OpenAI
+import anthropic
+import google.generativeai as genai
+
+import sys
+
+print(f"Python executable: {sys.executable}")
+print(f"Python version: {sys.version}")
+print(f"Python version info: {sys.version_info}")
+print(f"--------------------------")
+
+# .envファイルから環境変数を読み込む
+load_dotenv()
+
+# --- APIキーの取得 ---
+OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
+ANTHROPIC_API_KEY = os.getenv("ANTHROPIC_API_KEY")
+GOOGLE_API_KEY = os.getenv("GOOGLE_API_KEY")
+
+# --- Ollamaクライアントの初期化 ---
+client_ollama = ollama.Client()
+
+OLLAMA_MODEL_NAME = "llama3.2"
+# OLLAMA_MODEL_NAME = "llama3:8b-instruct-q4_0"
+
+
+client_openai = None
+OPENAI_MODEL_NAME = "gpt-4o-mini"
+if OPENAI_API_KEY:
+    try:
+        client_openai = OpenAI(api_key=OPENAI_API_KEY)
+        print(f"OpenAIクライアントを初期化しました (モデル: {OPENAI_MODEL_NAME})。")
+    except Exception as e:
+        print(f"OpenAIクライアントの初期化に失敗しました: {e}")
+        client_openai = None
+else:
+    print("OPENAI_API_KEYが設定されていません。OpenAIモデルは利用できません。")
+
+client_anthropic = None
+ANTHROPIC_MODEL_NAME = "claude-3-haiku-20240307"
+if ANTHROPIC_API_KEY:
+    try:
+        client_anthropic = anthropic.Anthropic(api_key=ANTHROPIC_API_KEY)
+        print(f"Anthropicクライアントを初期化しました (モデル: {ANTHROPIC_MODEL_NAME})。")
+    except Exception as e:
+        print(f"Anthropicクライアントの初期化に失敗しました: {e}")
+        client_anthropic = None
+else:
+    print("ANTHROPIC_API_KEYが設定されていません。Anthropicモデルは利用できません。")
+
+client_gemini = None
+GOOGLE_MODEL_NAME = "gemini-2.5-flash"
+if GOOGLE_API_KEY:
+    try:
+        genai.configure(api_key=GOOGLE_API_KEY)
+        client_gemini = genai.GenerativeModel(GOOGLE_MODEL_NAME)
+        print(f"Google Geminiクライアントを初期化しました (モデル: {GOOGLE_MODEL_NAME})。")
+    except Exception as e:
+        print(f"Google Geminiクライアントの初期化に失敗しました: {e}")
+        client_gemini = None
+else:
+    print("GOOGLE_API_KEYが設定されていません。Google Geminiモデルは利用できません。")
+
+# --- 埋め込みモデルの初期化 ---
+# 重複定義を削除し、1回のみ初期化
+embedding_model = SentenceTransformer('pkshatech/GLuCoSE-base-ja') # 日本語対応の埋め込みモデル
+
+# --- ChromaDBのカスタム埋め込み関数 ---
+# 重複定義を削除し、1回のみ定義
+class SBERTEmbeddingFunction(embedding_functions.EmbeddingFunction):
+    def __init__(self, model):
+        self.model = model
+    def __call__(self, texts):
+        # sentence-transformersモデルはnumpy配列を返すため、tolist()でPythonリストに変換
+        return self.model.encode(texts).tolist()
+
+sbert_ef = SBERTEmbeddingFunction(embedding_model)
+
+# --- ChromaDBクライアントとコレクションの初期化 ---
+# インメモリモードで動作させ、アプリケーション起動時にコレクションをリセットします。
+# グローバル変数としてクライアントを保持
+client = chromadb.Client()
+collection_name = "pdf_documents_collection"
+
+# アプリケーション起動時にコレクションが存在すれば削除し、新しく作成する
+# （インメモリDBはセッションごとにリセットされるため、これは初回起動時のみ意味を持つ）
+try:
+    client.delete_collection(name=collection_name)
+    print(f"既存のChromaDBコレクション '{collection_name}' を削除しました。")
+except Exception as e:
+    # コレクションが存在しない場合はエラーになるので無視。デバッグ用にメッセージは出力。
+    print(f"ChromaDBコレクション '{collection_name}' の削除に失敗しました (存在しないか、その他のエラー): {e}")
+    pass
+
+collection = client.get_or_create_collection(name=collection_name, embedding_function=sbert_ef)
+print(f"ChromaDBコレクション '{collection_name}' を初期化しました。")
+
+text_splitter = RecursiveCharacterTextSplitter(
+    chunk_size=1000,      # チャンクの最大文字数
+    chunk_overlap=150,   # チャンク間のオーバーラップ文字数
+    length_function=len, # 文字数で長さを計算
+    separators=["\n\n", "\n", " ", ""] # 分割の優先順位
+)
+
+# --- ヘルパー関数 ---
+def extract_text_from_pdf(pdf_file_path):
+    """PDFファイルからテキストを抽出する"""
+    print(f"Attempting to extract text from: {pdf_file_path}")
+    try:
+        reader = PdfReader(pdf_file_path)
+        text = ""
+        if not reader.pages:
+            print(f"  PDF '{os.path.basename(pdf_file_path)}' contains no pages.")
+            return "ERROR: PDFにページが含まれていません。" # プレフィックスを追加
+
+        for i, page in enumerate(reader.pages):
+            page_text = page.extract_text()
+            if page_text:
+                text += page_text + "\n"
+                # print(f"  Page {i+1} extracted text (first 100 chars): {page_text[:100].replace('\n', ' ')}...")
+                cleaned_page_text = page_text[:100].replace('\n', ' ')
+                print(f"  Page {i+1} extracted text (first 100 chars): {cleaned_page_text}...")
+            else:
+                print(f"  Page {i+1} extracted no text.")
+
+        if not text.strip():
+            print("  No text extracted from any page.")
+            return "ERROR: PDFからテキストを抽出できませんでした。画像ベースのPDFかもしれません。" # プレフィックスを追加
+
+        print(f"  Total text extracted (length: {len(text)}).")
+        return text
+    except Exception as e:
+        print(f"  Error during PDF reading: {e}")
+        return f"ERROR: PDFの読み込み中にエラーが発生しました: {e}" # プレフィックスを追加
+
+def get_llm_response(selected_llm, query, context, source_code_to_check):
+    """選択されたLLMを使用して質問に回答する"""
+    system_prompt = "あなたは提供されたコンテキスト（ソースコードチェックリスト）とレビュー対象のソースコードに基づいて、ソースコードをチェックし、その結果を返す有益なアシスタントです。チェックリストの項目ごとにソースコードを評価し、具体的な指摘と改善案を提示してください。コンテキストに情報がない場合は、「提供された情報からは回答できません。」と答えてください。"
+    user_content = f"ソースコードチェックリスト:\n{context}\n\nレビュー対象のソースコード:\n```\n{source_code_to_check}\n```\n\nレビュー指示: {query}\n\nチェック結果:"
+
+    try:
+        if selected_llm == "Ollama":
+            if not client_ollama:
+                return "Ollamaクライアントが初期化されていません。"
+            messages = [
+                {"role": "system", "content": system_prompt},
+                {"role": "user", "content": user_content}
+            ]
+            print(f"Ollamaモデル '{OLLAMA_MODEL_NAME}' にリクエストを送信中...")
+            response = client_ollama.chat(
+                model=OLLAMA_MODEL_NAME,
+                messages=messages,
+                options={
+                    "temperature": 0.7,
+                    "num_predict": 2000
+                }
+            )
+            if 'message' in response and 'content' in response['message']:
+                return response['message']['content'].strip()
+            else:
+                return f"Ollamaからの応答形式が不正です: {response}"
+
+        elif selected_llm == "GPT":
+            if not client_openai:
+                return "OpenAI APIキーが設定されていないため、GPTモデルは利用できません。"
+            messages = [
+                {"role": "system", "content": system_prompt},
+                {"role": "user", "content": user_content}
+            ]
+            print(f"GPTモデル '{OPENAI_MODEL_NAME}' にリクエストを送信中...")
+            response = client_openai.chat.completions.create(
+                model=OPENAI_MODEL_NAME,
+                messages=messages,
+                temperature=0.5,
+                max_tokens=2000
+            )
+            return response.choices[0].message.content.strip()
+
+        elif selected_llm == "Anthropic":
+            if not client_anthropic:
+                return "Anthropic APIキーが設定されていないため、Anthropicモデルは利用できません。"
+            messages = [
+                {"role": "user", "content": user_content}
+            ]
+            print(f"Anthropicモデル '{ANTHROPIC_MODEL_NAME}' にリクエストを送信中...")
+            response = client_anthropic.messages.create(
+                model=ANTHROPIC_MODEL_NAME,
+                max_tokens=2000,
+                temperature=0.5,
+                system=system_prompt, # Anthropicはsystemプロンプトを直接引数で渡す
+                messages=messages
+            )
+            return response.content[0].text.strip()
+
+        elif selected_llm == "Google Gemini":
+            if not client_gemini:
+                return "Google APIキーが設定されていないため、Geminiモデルは利用できません。"
+            # Geminiのsystem instructionはまだベ��タ版で、messagesと併用できない場合があるため、
+            # system_promptをuser_contentの先頭に結合する形式にする。
+            # --- システムプロンプトの調整 (後述の2.プロンプト調整も参照) ---
+            system_prompt = "あなたは提供されたコンテキスト（ソースコードチェックリスト）とレビュー対象のソースコードに基づいて、ソースコードのレビューを行うアシスタントです。チェックリストの項目ごとにソースコードを評価し、潜在的な問題点や改善の機会を提案してください。コンテキストに情報がない場合は、「提供された情報からは回答できません。」と答えてください。"
+            # --- ユーザープロンプトの調整 (後述の2.プロンプト調整も参照) ---
+            user_content = f"ソースコードチェックリスト:\n{context}\n\nレビュー対象のソースコード:\n```\n{source_code_to_check}\n```\n\nレビュー指示: {query}\n\nチェック結果:"
+
+            full_user_content = f"{system_prompt}\n\n{user_content}"
+            messages = [
+                {"role": "user", "parts": [full_user_content]}
+            ]
+            print(f"Google Geminiモデル '{GOOGLE_MODEL_NAME}' にリクエストを送信中...")
+            try:
+                response = client_gemini.generate_content(
+                    messages,
+                    generation_config=genai.types.GenerationConfig(
+                        temperature=0.5, # まずは0.5で試す。必要なら0.7などに上げる
+                        max_output_tokens=2000
+                    )
+                )
+
+                # --- エラーハンドリングの強化 ---
+                # response.text を呼び出す前に、応答の候補と終了理由を確認
+                if response.candidates:
+                    candidate = response.candidates[0]
+                    # finish_reason が SAFETY (genai.types.HarmCategory.SAFETY) の場合、安全ポリシーによりブロックされた可能性が高い
+                    if candidate.finish_reason == genai.types.HarmCategory.SAFETY:
+                        safety_ratings = candidate.safety_ratings
+                        safety_details = ", ".join([f"{sr.category.name}: {sr.probability.name}" for sr in safety_ratings])
+                        print(f"Gemini response blocked due to safety policy. Details: {safety_details}")
+                        return f"Google Geminiからの応答が安全ポリシーによりブロックされました。詳細: {safety_details}"
+                    # 正常なコンテンツがあるか確認
+                    elif candidate.content and candidate.content.parts:
+                        return response.text.strip()
+                    else:
+                        # コンテンツがないが、finish_reasonがSAFETY以外の場合
+                        print(f"Gemini response has no content parts. Finish reason: {candidate.finish_reason.name}")
+                        return f"Google Geminiからの応答にコンテンツが含まれていません。終了理由: {candidate.finish_reason.name}"
+                else:
+                    # 候補自体がない場合
+                    print(f"Gemini response has no candidates. Raw response: {response}")
+                    return f"Google Geminiからの応答に候補がありませんでした。生の応答: {response}"
+
+            except Exception as e:
+                # generate_content 自体でエラーが発生した場合
+                print(f"Google Gemini API呼び出し中にエラーが発生しました: {e}")
+                return f"Google Gemini API呼び出し中にエラーが発生しました: {e}"
+
+        else:
+            return "無効なLLMが選択されました。"
+
+    except Exception as e:
+        print(f"LLM ({selected_llm}) の呼び出し中にエラーが発生しました: {e}")
+        return f"LLM ({selected_llm}) の呼び出し中にエラーが発生しました: {e}"
+
+def upload_pdf_and_process(pdf_files):
+    """複数のPDFファイルをアップロードし、テキストを抽出し、ChromaDBに登録する"""
+    if not pdf_files:
+        print("No PDF files uploaded.")
+        return "PDFファイルがアップロードされていません。", gr.update(interactive=False), gr.update(interactive=False)
+
+    processed_files_count = 0
+    total_chunks_added = 0
+    all_status_messages = []
+
+    for pdf_file in pdf_files:
+        try:
+            pdf_path = pdf_file.name
+            file_name = os.path.basename(pdf_path)
+            all_status_messages.append(f"PDFファイル '{file_name}' を処理中...")
+            print(f"Processing PDF: {file_name} (Temporary Path: {pdf_path})")
+
+            # 1. PDFからテキストを抽出
+            raw_text = extract_text_from_pdf(pdf_path)
+
+            # --- デバッグ用追加コード (前回��デバッグで追加したものは残しておくと良いでしょう) ---
+            print(f"DEBUG: raw_text received from extract_text_from_pdf (length: {len(raw_text)})")
+            # print(f"DEBUG: raw_text starts with: '{raw_text[:100].replace(newline_char, ' ')}'")
+            print(f"DEBUG: 'エラー' in raw_text: {'エラー' in raw_text}")
+            print(f"DEBUG: '抽出できませんでした' in raw_text: {'抽出できませんでした' in raw_text}")
+            print(f"DEBUG: 'PDFにページが含まれていません' in raw_text: {'PDFにページが含まれていません' in raw_text}")
+            # --- デバッグ情報ここまで ---
+
+            # エラープレフィックスでチェックするように変更
+            if raw_text.startswith("ERROR:"): # ここを変更
+                all_status_messages.append(raw_text)
+                print(f"Error during text extraction from {file_name}: {raw_text}") # ログメッセージも変更
+                continue # 次のファイルへ
+
+            # --- デバッグ用追加コード ---
+            print(f"\n--- Raw text extracted from {file_name} (length: {len(raw_text)}, first 500 chars) ---")
+            print(raw_text[:500])
+            print(f"--- End of raw text from {file_name} ---\n")
+
+            # 2. テキストをチャンクに分割
+            chunks = text_splitter.split_text(raw_text)
+            if not chunks:
+                all_status_messages.append(f"'{file_name}' から有効なテキストチャンクを抽出できませんでした。")
+                print(f"No valid chunks extracted from {file_name}.")
+                continue # 次のファイルへ
+
+            # 3. チャンクをChromaDBに登録
+            documents = chunks
+            metadatas = [{"source": file_name, "chunk_index": i} for i in range(len(chunks))]
+            ids = [str(uuid.uuid4()) for _ in range(len(chunks))]
+            collection.add(
+                documents=documents,
+                metadatas=metadatas,
+                ids=ids
+            )
+            processed_files_count += 1
+            total_chunks_added += len(chunks)
+            all_status_messages.append(f"PDFファイル '{file_name}' の処理が完了しました。{len(chunks)}個のチャンクがデータベースに登録されました。")
+            print(f"Finished processing {file_name}. Added {len(chunks)} chunks.")
+
+        except Exception as e:
+            all_status_messages.append(f"PDFファイル '{os.path.basename(pdf_file.name)}' 処理中に予期せぬエラーが発生しました: {e}")
+            print(f"Unexpected error during processing {os.path.basename(pdf_file.name)}: {e}")
+            continue # 次のファイルへ
+
+    final_status_message = f"{processed_files_count}個のPDFファイルの処理が完了しました。合計{total_chunks_added}個のチャンクがデータベースに登録されました。質問とソースコードを入力してください。\n\n" + "\n".join(all_status_messages)
+    return final_status_message, gr.update(interactive=True), gr.update(interactive=True)
+
+def answer_question(question, source_code, selected_llm):
+    """ChromaDBから関連情報を取得し、選択されたLLMで質問に回答する"""
+    if not question and not source_code:
+        return "質問またはレビュー対象のソースコードを入力してください。", ""
+
+    if collection.count() == 0:
+        return "PDFがまだアップロードされていないか、処理されていません。まずPDFをアップロードしてください。", ""
+
+    try:
+        print(f"Searching ChromaDB for question: {question}")
+        results = collection.query(
+            query_texts=[question],
+            n_results=8
+        )
+        context_chunks = results['documents'][0] if results['documents'] else []
+        if not context_chunks:
+            print("No relevant context chunks found in ChromaDB.")
+            return "関連する情報が見つかりませんでした。質問を明確にするか、別のPDFを試してください。", ""
+
+        context = "\n\n".join(context_chunks)
+        print(f"Retrieved context (first 500 chars):\n{context[:500]}...")
+
+        answer = get_llm_response(selected_llm, question, context, source_code)
+        return answer, context
+    except Exception as e:
+        print(f"質問応答中に予期せぬエラーが発生しました: {e}")
+        return f"質問応答中に予期せぬエラーが発生しました: {e}", ""
+
+# --- Gradio UIの構築 ---
+with gr.Blocks() as gradioUI:
+    gr.Markdown(
+        f"""
+        # PDF Q&A with Local LLM (Ollama: {OLLAMA_MODEL_NAME}) and Vector Database
+        PDFファイルとしてソースコードチェックリストをアップロードし、レビューしたいソースコードを入力してください。
+        **複数のPDFファイルを同時にアップロードできます。**
+        利用するLLMを選択し��ください。
+        """
+        )
+    with gr.Row():
+        with gr.Column():
+            pdf_input = gr.File(label="PDFドキュメントをアップロード", file_types=[".pdf"], file_count="multiple")
+            upload_status = gr.Textbox(label="ステータス", interactive=False, value="PDFをアップロードしてください。", lines=5)
+
+    with gr.Column():
+        # LLM選択コンポーネント
+        llm_options = ["Ollama"]
+        if client_openai:
+            llm_options.append("GPT")
+        if client_anthropic:
+            llm_options.append("Anthropic")
+        if client_gemini:
+            llm_options.append("Google Gemini")
+
+        llm_choice = gr.Radio(
+            llm_options,
+            label="使用するLLMを選択",
+            value=llm_options[0] if llm_options else None, # 利用可能な最初のLLMをデフォルトにする
+            interactive=True
+        )
+
+        source_code_input = gr.Code(
+            label="レビュー対象のソースコード (ここにソースコードを貼り付けてください)",
+            value="",
+            language="python",
+            interactive=False, # PDFアップロード後に有効化
+            lines=15
+        )
+        question_input = gr.Textbox(label="レビュー指示（例: セキュリティの観点からレビュー）", placeholder="特定の観点からのレビュー指示を入力してください（任意）。", interactive=False) # PDFアップロード後に有効化
+
+        review_button = gr.Button("レビュー開始")
+
+        answer_output = gr.Markdown(label="レビュー結果")
+        retrieved_context_output = gr.Textbox(label="取得されたチェックリスト項目", interactive=False, lines=10)
+
+    pdf_input.upload(
+        upload_pdf_and_process,
+        inputs=[pdf_input],
+        outputs=[upload_status, question_input, source_code_input]
+    )
+
+    review_button.click(
+        answer_question,
+        inputs=[question_input, source_code_input, llm_choice],
+        outputs=[answer_output, retrieved_context_output]
+    )
+
+# gradioUI.launch(server_name="localhost", server_port=7860)
+gradioUI.launch(server_name="0.0.0.0", server_port=7860)

requirements.txt

@@ -9,4 +9,8 @@ sentencepiece
 tiktoken
 ollama
 anthropic
-google.generativeai
+google.generativeai
+fastapi
+uvicorn
+python-multipart
+pydantic