Update app.py

app.py

@@ -539,55 +539,121 @@ def load_and_process_documents(path):
 
 doc_texts = load_and_process_documents(folder_path)
 
-
 def clean_text(text):
     return re.sub(r'[^آ-ی۰-۹0-9،.؟!؛+\-* ]+', '', text)
 
-
 def find_closest_filenames(query, filenames, top_n=3):
-    # گرفتن نزدیک‌ترین فایل‌ها بر اساس شباهت
     scores = [(f, fuzz.partial_ratio(query, f)) for f in filenames]
     scores.sort(key=lambda x: x[1], reverse=True)
-    return [score[0] for score in scores[:top_n]]  # برگشت دادن N فایل با بیشترین شباهت
+    return [score[0] for score in scores[:top_n]]
 
 def find_best_answer(query, top_files, doc_texts):
     best_match = None
     best_score = 0
 
-    # بررسی محتوای فایل‌ها
     for filename in top_files:
         text = doc_texts[filename]
-        similarity = fuzz.partial_ratio(query, text)  # مقایسه سوال با محتوای فایل
+        similarity = fuzz.partial_ratio(query, text)
         if similarity > best_score:
             best_score = similarity
             best_match = filename
 
     return best_match, doc_texts.get(best_match, "")
 
-
 # حالا این رو در کد اصلی استفاده می‌کنیم:
 if query:
+    # مرحله 1: درخواست از مدل برای بررسی وجود پاسخ در نام فایل‌ها
     top_files = find_closest_filenames(query, list(doc_texts.keys()), top_n=3)
     best_file, matched_text = find_best_answer(query, top_files, doc_texts)
 
-    if best_file:
-        prompt = f"""
-        لطفاً با توجه به سؤال زیر و محتوای سند موجود، یک پاسخ نهایی حرفه‌ای، دقیق و روان تولید کن. فقط از متن سند استفاده کن. اگر اطلاعات کافی در متن وجود ندارد، صادقانه اعلام کن.
+    if best_file:  # اگر پاسخ از اسم فایل‌ها پیدا شد
+        prompt_for_model_1 = f"""
+        لطفاً با توجه به سوال زیر و محتوای سند موجود، یک پاسخ نهایی حرفه‌ای، دقیق و روان تولید کن. فقط از متن سند استفاده کن. اگر اطلاعات کافی در متن وجود ندارد، صادقانه اعلام کن.
         سوال:
         {query}
         محتوای سند:
         {matched_text}
         پاسخ نهایی:
         """
-
-        response = llm([
+        response_model_1 = llm([
             SystemMessage(content="You are a helpful assistant."),
-            HumanMessage(content=prompt)
+            HumanMessage(content=prompt_for_model_1)
         ])
-        rewritten = clean_text(response.content.strip())
-
-        st.markdown(f'<div class="chat-message">{rewritten}</div>', unsafe_allow_html=True)
+        rewritten = clean_text(response_model_1.content.strip())
 
-    else:
-        st.warning("هیچ سند مرتبطی پیدا نشد.")
+        # مرحله 2: بررسی پاسخ مدل اول
+        prompt_for_model_2 = f"""
+        سوال:
+        {query}
+        آیا مدل اول به درستی جواب داده است؟
+        پاسخ مدل اول:
+        {rewritten}
+        لطفاً تایید کن که آیا این پاسخ مناسب است یا خیر. اگر مناسب نیست، لطفاً اطلاعات بیشتری از متن موجود در سند بده.
+        """
+        response_model_2 = llm([
+            SystemMessage(content="You are a helpful assistant."),
+            HumanMessage(content=prompt_for_model_2)
+        ])
+        answer_model_2 = clean_text(response_model_2.content.strip())
 
+        if "تایید" in answer_model_2:  # اگر تایید شد که پاسخ درست است
+            st.markdown(f'<div class="chat-message">{rewritten}</div>', unsafe_allow_html=True)
+        else:
+            # مرحله 3: جستجو در متن کل سندها
+            best_file_from_text = None
+            best_answer_from_text = ""
+            top_files_for_text = find_closest_filenames(query, list(doc_texts.keys()), top_n=3)
+
+            for filename in top_files_for_text:
+                text = doc_texts[filename]
+                similarity = fuzz.partial_ratio(query, text)
+                if similarity > 50:  # حداقل شباهت برای انتخاب پاسخ
+                    best_file_from_text = filename
+                    best_answer_from_text = text
+                    break  # اگر جواب خوبی پیدا شد، جستجو را متوقف می‌کنیم
+
+            if best_file_from_text:  # اگر جوابی از متن پیدا شد
+                prompt_for_model_3 = f"""
+                لطفاً با توجه به سوال زیر و محتوای سند موجود، یک پاسخ نهایی حرفه‌ای، دقیق و روان تولید کن. فقط از متن سند استفاده کن. اگر اطلاعات کافی در متن وجود ندارد، صادقانه اعلام کن.
+                سوال:
+                {query}
+                محتوای سند:
+                {best_answer_from_text}
+                پاسخ نهایی:
+                """
+                response_model_3 = llm([
+                    SystemMessage(content="You are a helpful assistant."),
+                    HumanMessage(content=prompt_for_model_3)
+                ])
+                rewritten_model_3 = clean_text(response_model_3.content.strip())
+                
+                # بررسی تایید مدل 2
+                prompt_for_model_4 = f"""
+                سوال:
+                {query}
+                آیا مدل دوم به درستی جواب داده است؟
+                پاسخ مدل دوم:
+                {rewritten_model_3}
+                لطفاً تایید کن که آیا این پاسخ مناسب است یا خیر.
+                """
+                response_model_4 = llm([
+                    SystemMessage(content="You are a helpful assistant."),
+                    HumanMessage(content=prompt_for_model_4)
+                ])
+                answer_model_4 = clean_text(response_model_4.content.strip())
+
+                if "تایید" in answer_model_4:  # اگر تایید شد که پاسخ درست است
+                    st.markdown(f'<div class="chat-message">{rewritten_model_3}</div>', unsafe_allow_html=True)
+                else:
+                    # مرحله آخر: اگر تایید نشده بود، از دانش خود مدل استفاده کن
+                    prompt_for_model_5 = f"""
+                    سوال:
+                    {query}
+                    لطفاً جواب دقیقی از دانش خودت بده.
+                    """
+                    response_model_5 = llm([
+                        SystemMessage(content="You are a knowledgeable assistant."),
+                        HumanMessage(content=prompt_for_model_5)
+                    ])
+                    rewritten_model_5 = clean_text(response_model_5.content.strip())
+                    st.markdown(f'<div class="chat-message">{rewritten_model_5}</div>', unsafe_allow_html=True)