app.py

import streamlit as st
import datetime
import pandas as pd
from typing import List
from langchain_embeddings import Embeddings
from langchain.vectorstores import FAISS
from langchain.prompts import ChatPromptTemplate
from langchain.chat_models import ChatOpenAI
from langchain.chains import ChatChain
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.schema import Document

# ----------------- تنظیمات صفحه -----------------
st.set_page_config(page_title="رزم‌یار ارتش", page_icon="🪖", layout="wide")

# ----------------- استایل سفارشی -----------------
st.markdown(""" 
    <style>
    @import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@400;700&display=swap');
    
    html, body, [class*="css"] {
        font-family: 'Vazirmatn', Tahoma, sans-serif;
        direction: rtl;
        text-align: right;
    }

    .stApp {
        background: linear-gradient(to left, #4b5e40, #2e3b2e);
        color: #ffffff;
    }
    /* استایل‌های دیگر در اینجا قرار دارند */
    </style>
""", unsafe_allow_html=True)

# ----------------- احراز هویت ساده -----------------
if "authenticated" not in st.session_state:
    st.session_state.authenticated = False

if not st.session_state.authenticated:
    st.markdown("<h3 style='text-align: center; color: #b8860b;'>ورود به رزم‌یار ارتش</h3>", unsafe_allow_html=True)
    username = st.text_input("نام کاربری:", placeholder="شناسه نظامی خود را وارد کنید")
    password = st.text_input("رمز عبور:", type="password", placeholder="رمز عبور نظامی")
    if st.button("ورود"):
        if username == "admin" and password == "123":
            st.session_state.authenticated = True
            st.rerun()
        else:
            st.error("نام کاربری یا رمز عبور اشتباه است.")
    st.stop()

# ----------------- سایدبار -----------------
with st.sidebar:
    st.image("log.png", use_container_width=True)
    
    menu_items = [
        ("گزارش عملیاتی", "https://cdn-icons-png.flaticon.com/512/3596/3596165.png"),
        ("تاریخچه ماموریت‌ها", "https://cdn-icons-png.flaticon.com/512/709/709496.png"),
        ("تحلیل داده‌های نظامی", "https://cdn-icons-png.flaticon.com/512/1828/1828932.png"),
        ("مدیریت منابع", "https://cdn-icons-png.flaticon.com/512/681/681494.png"),
        ("دستیار فرماندهی", "https://cdn-icons-png.flaticon.com/512/3601/3601646.png"),
        ("تنظیمات امنیتی", "https://cdn-icons-png.flaticon.com/512/2099/2099058.png"),
        ("پشتیبانی فنی", "https://cdn-icons-png.flaticon.com/512/597/597177.png"),
    ]
    
    for idx, (text, icon) in enumerate(menu_items):
        st.markdown(f"""
            <div class="menu-item">
                <img src="{icon}" />
                {text}
            </div>
        """, unsafe_allow_html=True)

# ----------------- محتوای اصلی -----------------
st.markdown("""
    <div class="header-text">
        <h1>رزم‌یار ارتش</h1>
        <div class="subtitle">دستیار هوشمند ارتش</div>
    </div>
""", unsafe_allow_html=True)

# پیام خوش‌آمدگویی
st.markdown(f"""
    <div class="chat-message">
        <span style="font-size: 24px;">🪖</span>
        <span>به رزم‌یار ارتش خوش آمدید.</span>
    </div>
""", unsafe_allow_html=True)

# ----------------- کلاس توگدر امبدینگ -----------------
class TogetherEmbeddings(Embeddings):
    def __init__(self, model_name: str, api_key: str):
        self.model_name = model_name
        self.client = Together(api_key=api_key)

    def embed_documents(self, texts: List[str]) -> List[List[float]]:
        batch_size = 100
        embeddings = []
        for i in range(0, len(texts), batch_size):
            batch = texts[i:i + batch_size]
            response = self.client.embeddings.create(model=self.model_name, input=batch)
            embeddings.extend([item.embedding for item in response.data])
        return embeddings

    def embed_query(self, text: str) -> List[float]:
        return self.embed_documents([text])[0]


# ----------- پردازش و ایندکس کردن CSV ----------- 
@st.cache_resource
def build_vectorstore_from_csv(csv_file_path: str):
    df = pd.read_csv(csv_file_path)
    texts = df.iloc[:, 0].astype(str).tolist()
    texts = [text.strip() for text in texts if text.strip()]

    # برش متن‌ها
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=2048,
        chunk_overlap=256,
        length_function=len,
        separators=["\n\n", "\n", " ", ""]
    )
    split_texts = []
    for text in texts:
        split_texts.extend(text_splitter.split_text(text))

    documents = [Document(page_content=text) for text in split_texts]

    embeddings = TogetherEmbeddings(
        model_name="togethercomputer/m2-bert-80M-32k-retrieval",
        api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979'
     )

    vectorstore = FAISS.from_documents(documents, embeddings)
    return vectorstore, embeddings


# ----------- بارگذاری مدل زبانی ----------- 
def load_llm():
    return ChatOpenAI(
        base_url="https://api.together.xyz/v1",
        api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979',
        model="meta-llama/Llama-3.3-70B-Instruct-Turbo-Free"
    )


# ----------- پردازش سوال و بازیابی پاسخ‌ها ----------- 
def process_user_query(query: str, vectorstore, embedding_model, llm):
    query_embedding = embedding_model.embed_query(query)
    docs = vectorstore.similarity_search_by_vector(query_embedding, k=3)
    context = "\n".join([doc.page_content for doc in docs])

    final_prompt = f"""با توجه به اطلاعات زیر، فقط بر اساس آن‌ها به سؤال پاسخ بده. اگر اطلاعات کافی نیست، بگو اطلاعات کافی ندارم.
🔹 اطلاعات:\n{context}\n\n❓ سؤال: {query}
"""
    response = llm.invoke(final_prompt)
    raw_answer = response.content.strip()

    clean_answer = raw_answer.strip() or "متأسفم، اطلاعات دقیقی در این مورد ندارم."
    return clean_answer


# ----------- اجرای Streamlit UI ----------- 
def run_chat_ui():
    csv_file_path = 'output (1).csv'
    try:
        vectorstore, embedding_model = build_vectorstore_from_csv(csv_file_path)
    except Exception as e:
        st.error(f"خطا در پردازش فایل: {str(e)}")
        return
    
    llm = load_llm()

    # فرم ورودی و دکمه‌ها
    with st.form(key="chat_form"):
        user_input = st.text_area("دستور یا پرس‌وجو:", height=120, placeholder="ماموریت یا سوال خود را وارد کنید...")
        submit_button = st.form_submit_button("ارسال دستور")

    if submit_button and user_input:
        response = process_user_query(user_input, vectorstore, embedding_model, llm)
        st.markdown(f"""
            <div class="chat-message">
                <span style="font-size: 24px;">🎖️</span>
                <span>{response}</span>
            </div>
        """, unsafe_allow_html=True)
    
run_chat_ui()