Untitled

import sqlite3
    from transformers import GPT2Tokenizer, GPT2LMHeadModel

    # Połączenie z bazą danych
    conn = sqlite3.connect('biopreparaty.db')
    cursor = conn.cursor()

    # Zapytanie użytkownika
    zapytanie = "Porównaj biopreparat 'Kompost Vital' i 'BioProtect' pod względem składu i zastosowania."

    # Pobranie danych z bazy danych
    cursor.execute("SELECT skladniki, zastosowanie FROM preparaty WHERE nazwa = 'Kompost Vital'")
    kompost_vital_sklad, kompost_vital_zastosowanie = cursor.fetchone()

    cursor.execute("SELECT skladniki, zastosowanie FROM preparaty WHERE nazwa = 'BioProtect'")
    bio_protect_sklad, bio_protect_zastosowanie = cursor.fetchone()

    # Formatowanie danych
    kontekst_kompost_vital = f"Kompost Vital - Skład: {kompost_vital_sklad}, Zastosowanie: {kompost_vital_zastosowanie}"
    kontekst_bio_protect = f"BioProtect - Skład: {bio_protect_sklad}, Zastosowanie: {bio_protect_zastosowanie}"

    # Tworzenie promptu
    prompt = f"Użytkownik: {zapytanie}\nKontekst 1: {kontekst_kompost_vital}\nKontekst 2: {kontekst_bio_protect}\nOdpowiedź:"

    # Wczytanie modelu GPT
    tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
    model = GPT2LMHeadModel.from_pretrained('gpt2')

    # Tokenizacja promptu
    input_ids = tokenizer.encode(prompt, return_tensors='pt')

    # Generowanie odpowiedzi
    output = model.generate(input_ids, max_length=300)
    odpowiedz = tokenizer.decode(output[0], skip_special_tokens=True)

    # Wyświetlanie odpowiedzi
    print(odpowiedz)

    # Zamknięcie połączenia z bazą danych
    conn.close()