app.py

import time
import streamlit as st
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings.base import Embeddings
from langchain.vectorstores import FAISS
from langchain.indexes import VectorstoreIndexCreator
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
from typing import List
from together import Together

import streamlit as st

import streamlit as st

# ----------------- تنظیمات صفحه -----------------
st.set_page_config(page_title="رزم یار 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, #f0f4f7, #d9e2ec);
    }
    .sidebar .sidebar-content {
        background-color: #ffffff;
        border-left: 2px solid #4e8a3e;
        padding-top: 10px;
    }
    .sidebar .sidebar-content div {
        margin-bottom: 10px;
        font-weight: bold;
        color: #2c3e50;
        font-size: 15px;
    }
    .stButton>button {
        background-color: #4e8a3e !important;
        color: white !important;
        font-weight: bold;
        border-radius: 8px;
        padding: 5px 16px;
        transition: 0.3s;
        font-size: 14px;
    }
    .stButton>button:hover {
        background-color: #3c6d30 !important;
    }
    .header-text {
        text-align: center;
        margin-top: 15px;
        margin-bottom: 25px;
        background-color: rgba(255, 255, 255, 0.85);
        padding: 16px;
        border-radius: 16px;
        box-shadow: 0 4px 10px rgba(0,0,0,0.1);
    }
    .header-text h1 {
        font-size: 36px;
        color: #2c3e50;
        margin: 0;
        font-weight: bold;
    }
    .subtitle {
        font-size: 16px;
        color: #34495e;
        margin-top: 5px;
    }
    .chat-message {
        background-color: rgba(255, 255, 255, 0.95);
        border: 1px solid #4e8a3e;
        border-radius: 12px;
        padding: 14px;
        margin-bottom: 10px;
        box-shadow: 0 4px 8px rgba(0,0,0,0.08);
        animation: fadeIn 0.5s ease;
    }
    .stTextInput>div>input, .stTextArea textarea {
        background-color: rgba(255,255,255,0.9) !important;
        border-radius: 8px !important;
        direction: rtl;
        text-align: right;
        font-family: 'Vazirmatn', Tahoma;
    }
    img.small-logo {
        width: 90px;
        margin-bottom: 15px;
        display: block;
        margin-right: auto;
        margin-left: auto;
    }
    .menu-item {
        display: flex;
        align-items: center;
        gap: 8px;
        padding: 6px 0;
        font-size: 15px;
        cursor: pointer;
    }
    .menu-item img {
        width: 20px;
        height: 20px;
    }
    </style>
""", unsafe_allow_html=True)

# ----------------- بدنه اصلی -----------------
with st.sidebar:
    st.image("log.png", width=90)

    
    st.markdown("""
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/3596/3596165.png" />
        گفتگوی جدید
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/709/709496.png" />
        تاریخچه
    </div>
    <hr/>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/1828/1828932.png" />
        مدل‌های هوش مصنوعی
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/681/681494.png" />
        تولید محتوا
    </div>
    <hr/>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/3601/3601646.png" />
        دستیار ویژه
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/709/709612.png" />
        ابزار مالی
    </div>
    <hr/>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/2099/2099058.png" />
        تنظیمات
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/597/597177.png" />
        پشتیبانی
    </div>
    """, unsafe_allow_html=True)
st.markdown("""
    <style>
    /* تنظیم سایز سایدبار */
    [data-testid="stSidebar"] {
        width: 220px !important;
        flex-shrink: 0;
    }
    [data-testid="stSidebar"] > div {
        width: 220px !important;
    }
    </style>
""", unsafe_allow_html=True)

# محتوای اصلی
st.markdown("""
    <div class="header-text">
        <h1>رزم یار ارتش</h1>
        <div class="subtitle">دستیار هوشمند ارتشی برای پشتیبانی و راهبری</div>
    </div>
""", unsafe_allow_html=True)

st.markdown('<div class="chat-message">👋 سلام! چطور میتونم کمکتون کنم؟</div>', unsafe_allow_html=True)

# چت اینپوت کاربر
#user_input = st.text_input("پیام خود را وارد کنید...")

#if user_input:
#   st.markdown(f'<div class="chat-message">📩 شما: {user_input}</div>', unsafe_allow_html=True)


""""
# ----------------- لود PDF و ساخت ایندکس -----------------
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]]:
        response = self.client.embeddings.create(model=self.model_name, input=texts)
        return [item.embedding for item in response.data]

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

@st.cache_resource
def get_pdf_index():
    with st.spinner('📄 در حال پردازش فایل PDF...'):
        loader = [PyPDFLoader('test1.pdf')]
        embeddings = TogetherEmbeddings(
            model_name="togethercomputer/m2-bert-80M-8k-retrieval",
            api_key="0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979"
        )
        return VectorstoreIndexCreator(
            embedding=embeddings,
            text_splitter=RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=0)
        ).from_loaders(loader)

index = get_pdf_index()
"""

# ----------------- لود csv و ساخت ایندکس -----------------


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]]:
        response = self.client.embeddings.create(model=self.model_name, input=texts)
        return [item.embedding for item in response.data]

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

@st.cache_resource
def get_csv_index(csv_file):
    with st.spinner('📄 در حال پردازش فایل CSV...'):
        # خواندن داده‌های CSV
        df = pd.read_csv(csv_file)
        
        # فرض بر این است که شما می‌خواهید ستون خاصی از CSV را برای ایندکس کردن استفاده کنید
        texts = df['your_column_name'].tolist()  # ستون مورد نظر خود را مشخص کنید

        # ایجاد embeddings
        embeddings = TogetherEmbeddings(
            model_name="togethercomputer/m2-bert-80M-8k-retrieval",
            api_key="0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979"
        )

        # استفاده از VectorstoreIndexCreator برای ساخت ایندکس
        return VectorstoreIndexCreator(
            embedding=embeddings,
            text_splitter=RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=0)
        ).from_documents(texts)

# مسیر فایل CSV به صورت دستی
csv_file_path = 'testttt.csv'

# در اینجا فایل را به صورت دستی می‌خوانیم
if csv_file_path:
    csv_index = get_csv_index(csv_file_path)
    st.success("ایندکس فایل CSV با موفقیت ساخته شد!")






index = get_csv_index()


#------------------------------------------




    
llm = ChatOpenAI(
    base_url="https://api.together.xyz/v1",
    api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979',
    model="meta-llama/Llama-3.3-70B-Instruct-Turbo-Free"
)

chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type='stuff',
    retriever=index.vectorstore.as_retriever(),
    input_key='question'
)

if 'messages' not in st.session_state:
    st.session_state.messages = []

if 'pending_prompt' not in st.session_state:
    st.session_state.pending_prompt = None

for msg in st.session_state.messages:
    with st.chat_message(msg['role']):
        st.markdown(f"🗨️ {msg['content']}", unsafe_allow_html=True)

prompt = st.chat_input("چطور می‌تونم کمک کنم؟")

if prompt:
    st.session_state.messages.append({'role': 'user', 'content': prompt})
    st.session_state.pending_prompt = prompt
    st.rerun()

if st.session_state.pending_prompt:
    with st.chat_message('ai'):
        thinking = st.empty()
        thinking.markdown("🤖 در حال فکر کردن...")

        response = chain.run(f'پاسخ را فقط به زبان فارسی جواب بده به هیچ عنوان از زبان چینی در پاسخ استفاده نکن. سوال: {st.session_state.pending_prompt}')
        answer = response.split("Helpful Answer:")[-1].strip()
        if not answer:
            answer = "متأسفم، اطلاعات دقیقی در این مورد ندارم."

        thinking.empty()
        full_response = ""
        placeholder = st.empty()
        for word in answer.split():
            full_response += word + " "
            placeholder.markdown(full_response + "▌")
            time.sleep(0.03)

        placeholder.markdown(full_response)
        st.session_state.messages.append({'role': 'ai', 'content': full_response})
        st.session_state.pending_prompt = None