qa-orchestrator hinzugefügt um 2 Modi zu haben

math-tutor/backend/app/LLM_services/qa_LLM.py

+from app.deterministic_services import llm_client
+
+
+def answer_question(
+    question: str,
+    history: str | None = None,
+    sources: str | None = None,
+) -> str:
+    system_prompt = (
+        "Du bist ein Mathe-Tutor. Antworte auf Deutsch, klar und korrekt. Halte dich kurz und prägnant."
+        "Nutze ausschließlich den bereitgestellten Kontext. Wenn nichts zur Frage im Kontext steht, antworte mit 'Dazu steht nichts im Material' und nichts weiter."
+        "Gib wenn möglich eine kurze Struktur: (1) Idee, (2) Definition, (3) kurzer Begründungs-/Rechenweg, (4) Mini-Beispiel."
+        "Zitiere Quellen inline mit den eckigen Klammern, die im Kontext vorangestellt sind, z.B. [s2/ss1/c3 | definition | ...]."
+    )
+    prompt = (
+        "Frage:\n"
+        + question
+    )
+    if history:
+        prompt += "\nHistorie:\n" + history + "\n"
+    if sources:
+        prompt = "\nKontext:\n" + sources + "\n" + prompt
+    prompt += "\nGebe eine didaktisch wertvolle Antwort. Halte dich kurz und prägnant."
+    result = llm_client.chat(
+        messages=[{"role": "system", "content": system_prompt}, {"role": "user", "content": prompt}],
+    )
+    return llm_client.get_message_content(result)
\ No newline at end of file

math-tutor/backend/app/api/chat.py

@@ -8,7 +8,10 @@ from fastapi import APIRouter, HTTPException, Path, Query
 from pydantic import BaseModel, Field
 
 from app.deterministic_services import session_store
-from app.deterministic_services.tutor_specific import orchestrator
+from app.deterministic_services.orchestrators import orchestrator_tutor 
+from app.deterministic_services.orchestrators import orchestrator_QA as orchestrator
+
+
 
 router = APIRouter()
 logger = logging.getLogger(__name__)

math-tutor/backend/app/deterministic_services/orchestrators/orchestrator_QA.py

+from app.deterministic_services import context_store, retrieval_service, tool_logging
+from app.LLM_services import qa_LLM
+from typing import List
+
+
+def _is_new_chat(messages: list[dict]) -> bool:
+    return not any(m.get("role") == "assistant" for m in messages)
+
+def _append_tool_log(tool_log: list[dict], name: str, args: dict, response: object) -> None:
+    tool_log.append({"name": name, "arguments": args, "response": response})
+
+
+def _bootstrap_context(sheet: dict, query_text: str, tool_log: list[dict]) -> None:
+    # Erstelle einen neuen Retrieval-Block oder aktualisiere den bestehenden
+    sources = retrieval_service.retrieve_context(query_text=query_text)
+    
+    retrievals = sheet.get("retrieval_contexts", [])
+    if retrievals:
+        context_store.update_retrieval_context(sheet, query_text, sources)
+        _append_tool_log(tool_log, "update_retrieve_context", {"query": query_text}, {"sources": [source.to_string() for source in sources]})
+    else:
+        context_store.add_retrieval_context(sheet, query_text, sources)
+        _append_tool_log(tool_log, "retrieve_context", {"query": query_text}, {"sources": [source.to_string() for source in sources]})
+
+def _extract_user_messages(messages: list[dict]) -> list[str]:
+    """
+    Extrahiert alle Inhalte von Messages mit der Rolle 'user' und gibt sie als Liste von Strings zurück.
+    Der letzte user-Content wird als letztes Element in der Liste enthalten sein.
+    """
+    user_contents = []
+    for message in messages:
+        if message.get("role") == "user":
+            content = message.get("content", "")
+            if content:  # Nur hinzufügen, wenn Inhalt vorhanden ist
+                user_contents.append(content)
+    return user_contents
+
+
+def run_chat(messages: list[dict], draft: str | None = None) -> dict:
+    # Input-Fehlerbehandlung
+    if not messages:
+        raise ValueError("messages required")
+
+    last_user = _extract_user_messages(messages)[-1] if _extract_user_messages(messages) else None
+    if not last_user:
+        raise ValueError("last user message required")
+
+    # Context Store Mangement
+    chat_id = context_store.get_chat_id(messages, draft=draft)
+    new_chat = _is_new_chat(messages)
+    sheet = context_store.load_sheet(chat_id)
+    if new_chat or not sheet:
+        sheet = context_store.init_sheet(chat_id, messages)
+
+    context_store.update_history(sheet, messages)
+    tool_log: list[dict] = []
+
+    if new_chat or not sheet.get("initialized"):
+        _bootstrap_context(sheet, last_user, tool_log)
+        sheet["initialized"] = True
+
+    # Antwort generierung
+    hint_args = {
+        "question": context_store.get_task(sheet),
+        "history": context_store.format_history(messages),
+        "sources": "\n".join([source.to_string() for source in context_store.get_retrieval(sheet)]),
+    }
+    reply = qa_LLM.answer_question(**hint_args)
+    _append_tool_log(tool_log, "answer_question", hint_args, reply)
+
+    if not reply:
+        reply = "Dazu steht nichts im Material"
+
+    context_store.save_sheet(sheet)
+    tool_logging.write_tool_log(
+        tool_log,
+        created_at=sheet.get("created_at"),
+        chat_id=sheet.get("chat_id"),
+    )
+    return {"reply": reply, "sources": sheet.get("sources", []), "tool_log": tool_log}