app.py

import pandas as pd
import numpy as np
import os
import sys
import json
import pickle
import gradio as gr
import openai
from sentence_transformers import SentenceTransformer
from pinecone import Pinecone, ServerlessSpec

# تنظیم کلیدهای API
openai.api_key = os.getenv("openai")
api_key = os.getenv("PINECONE_API_KEY")
region = os.getenv("PINECONE_ENVIRONMENT", "us-west1-gcp")
index_name = os.getenv("PINECONE_INDEX_NAME", "tiyam-chat")

# بارگذاری مدل
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

# بارگذاری داده‌ها
with open("tiyam_qa_data.json", "r", encoding="utf-8") as f:
    data = json.load(f)

# اتصال به Pinecone
pc = Pinecone(api_key=api_key)
existing_indexes = pc.list_indexes().names()
if index_name not in existing_indexes:
    pc.create_index(
        name=index_name,
        dimension=384,
        metric="cosine",
        spec=ServerlessSpec(
            cloud="aws",
            region=region
        )
    )
index = pc.Index(index_name)

# سیستم کش
cache_file = "chat_cache.pkl"
try:
    with open(cache_file, "rb") as f:
        cache = pickle.load(f)
except FileNotFoundError:
    cache = {}

def retrieve_answer(query, threshold=0.4, top_k=1):
    query_embedding = model.encode([query])[0]
    result = index.query(vector=query_embedding.tolist(), top_k=top_k, include_metadata=True)
    try:
        result_dict = result.to_dict()
    except Exception:
        result_dict = str(result)
    print("=== Pinecone query result ===")
    if isinstance(result_dict, dict):
        print(json.dumps(result_dict, indent=2, ensure_ascii=False))
    else:
        print(result_dict)
    print("============================")
    if hasattr(result, 'matches') and result.matches and len(result.matches) > 0 and result.matches[0].score > threshold:
        metadata = result.matches[0].metadata
        print("Matched answer:", metadata.get('answer'))
        return metadata.get('answer', 'پاسخ یافت نشد')
    else:
        print("No good match found.")
        return None

def generate_human_response(context_text):
    if not context_text:
        return "متأسفم، پاسخ دقیقی برای این سوال نداریم. لطفاً با ما تماس بگیرید."
    if context_text in cache:
        return cache[context_text]
    prompt = (
        f"این متن پاسخ سوال مشتری است: \"{context_text}\".\n"
        "لطفاً یک پاسخ کوتاه، رسمی و کاملاً مختصر به زبان فارسی تولید کن که فقط بر اساس همین متن باشد. "
        "پاسخ باید یک جمله‌ی کامل با یک فعل مناسب و پایان مشخص باشد. از تولید جمله‌های ناقص یا جمله‌هایی با بیش از یک فعل خودداری کن."
    )
    try:
        response = openai.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=[
                {"role": "system", "content": "شما یک پاسخگوی رسمی شرکت هستید."},
                {"role": "user", "content": prompt}
            ],
            temperature=0.3,  # افزایش به 0.3 برای انعطاف‌پذیری بیشتر
            max_tokens=100,
        )
        answer = response.choices[0].message.content.strip()
        # فقط اطمینان از وجود نقطه در پایان
        if answer and not answer.endswith(('.', '!', '؟')):
            answer += '.'
        cache[context_text] = answer
        with open(cache_file, "wb") as f:
            pickle.dump(cache, f)
        return answer
    except Exception as e:
        print("OpenAI API error:", e)
        return "خطا در پردازش درخواست."

def chat_interface(question):
    answer = retrieve_answer(question)
    final_answer = generate_human_response(answer)
    return final_answer

demo = gr.Interface(
    fn=chat_interface,
    inputs="text",
    outputs="text",
    title="چت‌بات تیام",
    description="سؤالات خود را از آژانس دیجیتال مارکتینگ تیام بپرسید."
)

if __name__ == "__main__":
    demo.launch()