Zum Inhalt

gemini_thesis_evaluator

academic_doc_generator.colloquium.gemini_thesis_evaluator

Modul zur automatischen Bewertung von Abschlussarbeiten mit Google Gemini.

GeminiThesisEvaluator

Bewertet Bachelor- und Masterarbeiten mit Google Gemini Vision API.

Source code in src/academic_doc_generator/colloquium/gemini_thesis_evaluator.py 
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
class GeminiThesisEvaluator:
    """Bewertet Bachelor- und Masterarbeiten mit Google Gemini Vision API."""

    def __init__(self, llm_client: LLMClient):
        """Initialisiert den Evaluator.

        Args:
            llm_client: LLMClient-Instanz (muss auf Gemini konfiguriert sein).
        """
        self.llm_client = llm_client

        # Stelle sicher, dass Gemini verwendet wird
        if self.llm_client.api_choice != "gemini":
            raise ValueError(
                "GeminiThesisEvaluator benötigt einen LLMClient mit api_choice='gemini'"
            )

    def _remove_first_page(self, pdf_path: str) -> str:
        """Entfernt die erste Seite aus dem PDF (Datenschutz).

        Args:
            pdf_path: Pfad zum Original-PDF.

        Returns:
            Pfad zur temporären PDF-Datei ohne erste Seite.
        """
        reader = PdfReader(pdf_path)
        writer = PdfWriter()

        # Kopiere alle Seiten außer der ersten und letzten (letzte: Eigenständigkeitserklärung)
        for page_num in range(1, len(reader.pages) - 1):
            writer.add_page(reader.pages[page_num])

        # Speichere in temporärer Datei
        with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf", mode="wb") as temp_file:
            writer.write(temp_file)
            temp_name = temp_file.name

        return temp_name

    def _extract_text_from_pdf(self, pdf_path: str) -> str:
        """Extrahiert den Text aus dem PDF mit docling.

        Args:
            pdf_path: Pfad zum PDF.

        Returns:
            Extrahierter Text.
        """
        from ..core.pdf import extract_text_per_page

        pages_text = extract_text_per_page(pdf_path, max_pages=None)
        return "\n\n".join(pages_text.values())

    def _create_emark_prompt(self, thesis_title: str, degree: str, document_text: str = "") -> str:
        """Erstellt den Prompt für die Thesis-Bewertung.

        Args:
            thesis_title: Titel der Arbeit.
            degree: "Bachelor" oder "Master".
            document_text: Extrahierter Text der Arbeit (optional).

        Returns:
            Formatierter Prompt-String.
        """
        niveau = "Bachelor" if degree == "Bachelor" else "Master"

        return build_prompt(
            PromptTemplate.THESIS_EVALUATION,
            niveau=niveau,
            title=thesis_title,
            document_text=(f"\n\n**Dokumententext:**\n\n{document_text}" if document_text else ""),
        )

    def evaluate_thesis(
        self,
        pdf_path: str,
        thesis_title: str,
        degree: str,
        use_text_extraction: bool = True,
        verbose: bool = False,
    ) -> Optional[str]:
        """Bewertet eine Thesis mit Google Gemini.

        Args:
            pdf_path: Pfad zur Thesis-PDF.
            thesis_title: Titel der Arbeit (aus Metadaten extrahiert).
            degree: "Bachelor" oder "Master".
            use_text_extraction: Text-Extraktion statt PDF-Upload verwenden.
            verbose: Debug-Ausgaben aktivieren.

        Returns:
            LaTeX-formatierte Bewertung oder None bei Fehler.
        """
        print("\n🤖 Starte automatische Bewertung mit Google Gemini...")
        print(f"   Niveau: {degree}arbeit")
        print(f"   Titel: {thesis_title}")
        print(f"   Modus: {'Text-Extraktion' if use_text_extraction else 'PDF-Upload'}")

        try:
            # Schritt 1: Erste Seite entfernen (Datenschutz)
            print("   📄 Entferne erste Seite (Datenschutz)...")
            temp_pdf = self._remove_first_page(pdf_path)

            if use_text_extraction:
                # Schritt 2: Text extrahieren
                print("   🔍 Extrahiere Text aus PDF mit docling...")
                text = self._extract_text_from_pdf(temp_pdf)

                # Schritt 3: Prompt erstellen
                prompt = self._create_emark_prompt(thesis_title, degree, document_text=text)

                # Schritt 4: API-Aufruf mit extrahiertem Text
                print("   🚀 Sende Text an Google Gemini...")
                messages = [{"role": "user", "content": prompt}]
                response = self.llm_client.chat_completion(messages=messages)
            else:
                # Schritt 2: Prompt erstellen (ohne Text)
                prompt = self._create_emark_prompt(thesis_title, degree)

                # Schritt 3: API-Aufruf mit PDF-Dokument (File-Upload)
                print("   🚀 Sende PDF-Datei an Google Gemini (dies kann 1-2 Minuten dauern)...")
                messages = [{"role": "user", "content": prompt}]
                response = self.llm_client.chat_completion_with_files(
                    messages=messages,
                    files=[temp_pdf],
                )

            # Schritt 4: Temporäre Datei löschen
            os.unlink(temp_pdf)

            if verbose:
                print(f"\n📝 Gemini-Antwort:\n{response}\n")

            print("   ✅ Bewertung erfolgreich erhalten")
            return response

        except Exception as e:
            print(f"   ❌ Fehler bei der Gemini-Bewertung: {e}")
            import traceback

            traceback.print_exc()
            # Stelle sicher, dass temporäre Datei gelöscht wird
            if "temp_pdf" in locals() and os.path.exists(temp_pdf):
                os.unlink(temp_pdf)
            return None

    def format_emark_for_latex(self, emark: str) -> str:
        """Formatiert die Gemini-Bewertung für LaTeX-Einfügung.

        Args:
            emark: Rohe Gemini-Antwort.

        Returns:
            LaTeX-ready formatierter Text.
        """
        # Die Antwort sollte bereits LaTeX-formatiert sein
        # Hier können noch zusätzliche Bereinigungen erfolgen

        # Entferne eventuell vorhandene Markdown-Codeblöcke
        emark = emark.replace("```latex", "").replace("```", "")

        # Stelle sicher, dass Zeilenumbrüche korrekt sind
        emark = emark.strip()

        # Füge Abschnittstrennungen hinzu
        formatted = f"""
\\vspace{{1cm}}
\\hrule
\\vspace{{0.5cm}}

\\section*{{Automatische Bewertung (Google Gemini)}}

\\textit{{Hinweis: Diese Bewertung wurde automatisch durch Google Gemini erstellt und dient als zusätzliche Orientierung für das Kolloquium.}}

\\vspace{{0.5cm}}

{emark}

\\vspace{{0.5cm}}
\\hrule
"""
        return formatted

__init__(llm_client)

Initialisiert den Evaluator.

Parameters:

Name Type Description Default
llm_client LLMClient

LLMClient-Instanz (muss auf Gemini konfiguriert sein).

 required
Source code in src/academic_doc_generator/colloquium/gemini_thesis_evaluator.py 
17
18
19
20
21
22
23
24
25
26
27
28
29
def __init__(self, llm_client: LLMClient):
    """Initialisiert den Evaluator.

    Args:
        llm_client: LLMClient-Instanz (muss auf Gemini konfiguriert sein).
    """
    self.llm_client = llm_client

    # Stelle sicher, dass Gemini verwendet wird
    if self.llm_client.api_choice != "gemini":
        raise ValueError(
            "GeminiThesisEvaluator benötigt einen LLMClient mit api_choice='gemini'"
        )

evaluate_thesis(pdf_path, thesis_title, degree, use_text_extraction=True, verbose=False)

Bewertet eine Thesis mit Google Gemini.

Parameters:

Name Type Description Default
pdf_path str

Pfad zur Thesis-PDF.

 required
thesis_title str

Titel der Arbeit (aus Metadaten extrahiert).

 required
degree str

"Bachelor" oder "Master".

 required
use_text_extraction bool

Text-Extraktion statt PDF-Upload verwenden.

 True
verbose bool

Debug-Ausgaben aktivieren.

 False

Returns:

Type Description
Optional[str]

LaTeX-formatierte Bewertung oder None bei Fehler.
Source code in src/academic_doc_generator/colloquium/gemini_thesis_evaluator.py 
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
def evaluate_thesis(
    self,
    pdf_path: str,
    thesis_title: str,
    degree: str,
    use_text_extraction: bool = True,
    verbose: bool = False,
) -> Optional[str]:
    """Bewertet eine Thesis mit Google Gemini.

    Args:
        pdf_path: Pfad zur Thesis-PDF.
        thesis_title: Titel der Arbeit (aus Metadaten extrahiert).
        degree: "Bachelor" oder "Master".
        use_text_extraction: Text-Extraktion statt PDF-Upload verwenden.
        verbose: Debug-Ausgaben aktivieren.

    Returns:
        LaTeX-formatierte Bewertung oder None bei Fehler.
    """
    print("\n🤖 Starte automatische Bewertung mit Google Gemini...")
    print(f"   Niveau: {degree}arbeit")
    print(f"   Titel: {thesis_title}")
    print(f"   Modus: {'Text-Extraktion' if use_text_extraction else 'PDF-Upload'}")

    try:
        # Schritt 1: Erste Seite entfernen (Datenschutz)
        print("   📄 Entferne erste Seite (Datenschutz)...")
        temp_pdf = self._remove_first_page(pdf_path)

        if use_text_extraction:
            # Schritt 2: Text extrahieren
            print("   🔍 Extrahiere Text aus PDF mit docling...")
            text = self._extract_text_from_pdf(temp_pdf)

            # Schritt 3: Prompt erstellen
            prompt = self._create_emark_prompt(thesis_title, degree, document_text=text)

            # Schritt 4: API-Aufruf mit extrahiertem Text
            print("   🚀 Sende Text an Google Gemini...")
            messages = [{"role": "user", "content": prompt}]
            response = self.llm_client.chat_completion(messages=messages)
        else:
            # Schritt 2: Prompt erstellen (ohne Text)
            prompt = self._create_emark_prompt(thesis_title, degree)

            # Schritt 3: API-Aufruf mit PDF-Dokument (File-Upload)
            print("   🚀 Sende PDF-Datei an Google Gemini (dies kann 1-2 Minuten dauern)...")
            messages = [{"role": "user", "content": prompt}]
            response = self.llm_client.chat_completion_with_files(
                messages=messages,
                files=[temp_pdf],
            )

        # Schritt 4: Temporäre Datei löschen
        os.unlink(temp_pdf)

        if verbose:
            print(f"\n📝 Gemini-Antwort:\n{response}\n")

        print("   ✅ Bewertung erfolgreich erhalten")
        return response

    except Exception as e:
        print(f"   ❌ Fehler bei der Gemini-Bewertung: {e}")
        import traceback

        traceback.print_exc()
        # Stelle sicher, dass temporäre Datei gelöscht wird
        if "temp_pdf" in locals() and os.path.exists(temp_pdf):
            os.unlink(temp_pdf)
        return None

format_emark_for_latex(emark)

Formatiert die Gemini-Bewertung für LaTeX-Einfügung.

Parameters:

Name Type Description Default
emark str

Rohe Gemini-Antwort.

 required

Returns:

Type Description
str

LaTeX-ready formatierter Text.
Source code in src/academic_doc_generator/colloquium/gemini_thesis_evaluator.py 
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
    def format_emark_for_latex(self, emark: str) -> str:
        """Formatiert die Gemini-Bewertung für LaTeX-Einfügung.

        Args:
            emark: Rohe Gemini-Antwort.

        Returns:
            LaTeX-ready formatierter Text.
        """
        # Die Antwort sollte bereits LaTeX-formatiert sein
        # Hier können noch zusätzliche Bereinigungen erfolgen

        # Entferne eventuell vorhandene Markdown-Codeblöcke
        emark = emark.replace("```latex", "").replace("```", "")

        # Stelle sicher, dass Zeilenumbrüche korrekt sind
        emark = emark.strip()

        # Füge Abschnittstrennungen hinzu
        formatted = f"""
\\vspace{{1cm}}
\\hrule
\\vspace{{0.5cm}}

\\section*{{Automatische Bewertung (Google Gemini)}}

\\textit{{Hinweis: Diese Bewertung wurde automatisch durch Google Gemini erstellt und dient als zusätzliche Orientierung für das Kolloquium.}}

\\vspace{{0.5cm}}

{emark}

\\vspace{{0.5cm}}
\\hrule
"""
        return formatted