Added log

app.py

@@ -37,72 +37,108 @@ class GeminiRAGChatbotCPU:
         self.llm = None
         self.embeddings = None
         self.retriever = None
+        logger.info(f"🤖 GeminiRAGChatbotCPU başlatıldı - Model: {model_variant}")
 
     def gemini_yukle(self):
+        logger.info("📡 Gemini API yükleniyor...")
         self.llm = ChatGoogleGenerativeAI(
             model=self.model_variant,
             google_api_key=GEMINI_API_KEY,
             temperature=0.2,
             max_output_tokens=200,
         )
+        logger.info("✅ Gemini API yüklendi")
         return self.llm
 
     def embedding_yukle(self):
         model = "emrecan/bert-base-turkish-cased-mean-nli-stsb-tr"
+        logger.info(f"📚 Embedding modeli yükleniyor: {model}")
         self.embeddings = HuggingFaceEmbeddings(
             model_name=model,
             model_kwargs={'device': self.device},
             encode_kwargs={'normalize_embeddings': True}
         )
+        logger.info("✅ Embedding modeli yüklendi")
         return self.embeddings
 
     def dokumanlari_yukle(self, klasor_yolu: str):
+        logger.info(f"📁 Dokümanlar yükleniyor: {klasor_yolu}")
+        
         if not os.path.exists(klasor_yolu):
+            logger.warning(f"⚠️ Klasör bulunamadı, oluşturuluyor: {klasor_yolu}")
             os.makedirs(klasor_yolu)
             return []
+        
         documents = []
+        file_count = 0
+        
         for root, _, files in os.walk(klasor_yolu):
             for f in files:
                 path = os.path.join(root, f)
                 if f.endswith(".txt"):
-                    with open(path, "r", encoding="utf-8") as t:
-                        text = t.read()
-                        documents.append(Document(page_content=text, metadata={"source": f}))
+                    try:
+                        with open(path, "r", encoding="utf-8") as t:
+                            text = t.read()
+                            documents.append(Document(page_content=text, metadata={"source": f}))
+                            file_count += 1
+                            logger.info(f"  ✓ Yüklendi: {f} ({len(text)} karakter)")
+                    except Exception as e:
+                        logger.error(f"  ✗ Yüklenemedi: {f} - Hata: {e}")
+        
+        logger.info(f"✅ Toplam {file_count} doküman yüklendi")
+        
+        if file_count == 0:
+            logger.warning("⚠️ Hiç doküman bulunamadı! Varsayılan içerik ekleniyor...")
+            documents = [Document(
+                page_content="Global AI Hub, yapay zeka eğitimleri sunan bir platformdur.",
+                metadata={"source": "default.txt"}
+            )]
+        
         return documents
 
     def metni_parcala(self, documents: List):
+        logger.info(f"✂️ Dokümanlar parçalanıyor ({len(documents)} doküman)...")
         text_splitter = RecursiveCharacterTextSplitter(
             chunk_size=450,
             chunk_overlap=50,
             length_function=len,
             separators=["\n\n", "\n", ".", "!", "?", ";", ":", " ", ""]
         )
-        return text_splitter.split_documents(documents)
+        chunks = text_splitter.split_documents(documents)
+        logger.info(f"✅ {len(chunks)} chunk oluşturuldu")
+        return chunks
 
     def vektor_db_olustur(self, chunks: List, db_yolu):
+        logger.info(f"🗄️ Vector DB oluşturuluyor: {db_yolu}")
+        
+        if not chunks or len(chunks) == 0:
+            logger.error("❌ HATA: Chunks listesi boş!")
+            raise ValueError("Chunks listesi boş, vector DB oluşturulamıyor!")
+        
         if os.path.exists(db_yolu):
+            logger.info(f"  ⚠️ Mevcut DB siliniyor: {db_yolu}")
             import shutil
             shutil.rmtree(db_yolu)
+        
+        logger.info(f"  📊 {len(chunks)} chunk ile DB oluşturuluyor...")
         self.vectordb = Chroma.from_documents(chunks, self.embeddings, persist_directory=db_yolu)
+        logger.info("✅ Vector DB oluşturuldu")
         return self.vectordb
 
     def format_docs(self, docs):
         return "\n\n".join(doc.page_content for doc in docs)
 
     def chatbot_olustur(self, k=5):
+        logger.info(f"💬 Chatbot oluşturuluyor (k={k})...")
         self.retriever = self.vectordb.as_retriever(search_type="similarity", search_kwargs={"k": k})
         template = """Sen Gemini, Türkçe konuşan bir süpermarket asistanısın.
-
 Bağlam:
 {context}
-
 Soru: {question}
-
 Kurallar:
 - Sadece bağlamdaki bilgilerle cevap ver
 - Kısa ve net ol
 - Bilgi yoksa "Bu konuda bilgim yok" de
-
 Cevap:"""
         prompt = ChatPromptTemplate.from_template(template)
         self.rag_chain = (
@@ -111,20 +147,46 @@ Cevap:"""
             | self.llm
             | StrOutputParser()
         )
+        logger.info("✅ Chatbot oluşturuldu")
         return self.rag_chain
 
     def soru_sor(self, soru: str):
-        cevap = self.rag_chain.invoke(soru)
-        return {"cevap": cevap.strip()}
+        logger.info(f"❓ Soru alındı: {soru[:50]}...")
+        try:
+            cevap = self.rag_chain.invoke(soru)
+            logger.info(f"💬 Cevap üretildi: {cevap[:50]}...")
+            return {"cevap": cevap.strip()}
+        except Exception as e:
+            logger.error(f"❌ Cevap üretme hatası: {e}")
+            raise
 
     def setup(self, init=True, db_yolu="./chroma_db", dokuman_klasoru="./documents", k=5):
-        self.embedding_yukle()
-        self.gemini_yukle()
-        if init:
-            docs = self.dokumanlari_yukle(dokuman_klasoru)
-            chunks = self.metni_parcala(docs)
-            self.vektor_db_olustur(chunks, db_yolu)
-        self.chatbot_olustur(k)
+        logger.info("=" * 60)
+        logger.info("🚀 SETUP BAŞLATILIYOR")
+        logger.info("=" * 60)
+        
+        try:
+            self.embedding_yukle()
+            self.gemini_yukle()
+            
+            if init:
+                docs = self.dokumanlari_yukle(dokuman_klasoru)
+                chunks = self.metni_parcala(docs)
+                self.vektor_db_olustur(chunks, db_yolu)
+            
+            self.chatbot_olustur(k)
+            
+            logger.info("=" * 60)
+            logger.info("✅ SETUP TAMAMLANDI")
+            logger.info("=" * 60)
+            
+        except Exception as e:
+            logger.error("=" * 60)
+            logger.error(f"❌ SETUP HATASI: {e}")
+            logger.error("=" * 60)
+            import traceback
+            traceback.print_exc()
+            raise
 
 
 # =========================================================
@@ -136,9 +198,20 @@ gemini = None
 @asynccontextmanager
 async def lifespan(app: FastAPI):
     global gemini
-    gemini = GeminiRAGChatbotCPU()
-    gemini.setup(init=True)
+    logger.info("🌟 FastAPI Uygulama Başlatılıyor...")
+    
+    try:
+        gemini = GeminiRAGChatbotCPU()
+        gemini.setup(init=True)
+        logger.info("🎉 Uygulama başarıyla başlatıldı!")
+    except Exception as e:
+        logger.error(f"💥 Uygulama başlatma hatası: {e}")
+        import traceback
+        traceback.print_exc()
+    
     yield
+    
+    logger.info("👋 Uygulama kapatılıyor...")
 
 app = FastAPI(lifespan=lifespan, title="Gemini Chatbot API")
 
@@ -152,12 +225,30 @@ app.add_middleware(
 
 @app.get("/")
 async def root():
-    return {"status": "ok"}
+    logger.info("🏠 Root endpoint çağrıldı")
+    return {"status": "ok", "message": "Gemini Chatbot API çalışıyor"}
 
 @app.post("/api/chat")
 async def chat(request: Request):
-    data = await request.json()
-    soru = data.get("message", "")
-    if not soru:
-        raise HTTPException(status_code=400, detail="Message required")
-    return gemini.soru_sor(soru)
+    try:
+        data = await request.json()
+        soru = data.get("message", "")
+        
+        logger.info(f"📨 API çağrısı alındı - Message: {soru[:50]}...")
+        
+        if not soru:
+            logger.warning("⚠️ Boş mesaj gönderildi")
+            raise HTTPException(status_code=400, detail="Message required")
+        
+        sonuc = gemini.soru_sor(soru)
+        
+        logger.info(f"✅ Başarılı cevap döndürüldü")
+        return sonuc
+        
+    except HTTPException:
+        raise
+    except Exception as e:
+        logger.error(f"❌ API hatası: {e}")
+        import traceback
+        traceback.print_exc()
+        raise HTTPException(status_code=500, detail=str(e))