Update app.py

app.py

@@ -1,191 +1,92 @@
-import time
 import streamlit as st
-from langchain.document_loaders import PyPDFLoader
-from langchain.text_splitter import RecursiveCharacterTextSplitter
-from langchain.embeddings.base import Embeddings
+import datetime
+import pandas as pd
+from typing import List
+from langchain.embeddings import Embeddings
 from langchain.vectorstores import FAISS
-from langchain.indexes import VectorstoreIndexCreator
-from langchain.chains import RetrievalQA
+from langchain.prompts import ChatPromptTemplate
 from langchain.chat_models import ChatOpenAI
-from typing import List
-from together import Together
-import pandas as pd
-from langchain.docstore.document import Document
+from langchain.chains import ChatChain
+from langchain.text_splitter import RecursiveCharacterTextSplitter
+from langchain.schema import Document
 
-st.set_page_config(page_title="رزم یار ارتش", page_icon="🪖", layout="wide")
+# ----------------- تنظیمات صفحه -----------------
+st.set_page_config(page_title="رزم‌یار ارتش", page_icon="🪖", layout="wide")
 
 # ----------------- استایل سفارشی -----------------
-st.markdown("""
+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;
+        background: linear-gradient(to left, #4b5e40, #2e3b2e);
+        color: #ffffff;
     }
+    /* استایل‌های دیگر در اینجا قرار دارند */
     </style>
 """, unsafe_allow_html=True)
 
-# ----------------- بدنه اصلی -----------------
+# ----------------- 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", width=90)
-
+    st.image("log.png", use_container_width=True)
     
-    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
+    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>رزم یار ارتش</h1>
-        <div class="subtitle">دستیار هوشمند ارتشی برای پشتیبانی و راهبری</div>
+        <h1>رزم‌یار ارتش</h1>
+        <div class="subtitle">دستیار هوشمند ارتش</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)
-
-
-
-
-
-
-
+# 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)
 
-# ----------- تعریف کلاس امبدینگ با Together -----------
+# ----------------- کلاس توگدر امبدینگ -----------------
 class TogetherEmbeddings(Embeddings):
     def __init__(self, model_name: str, api_key: str):
         self.model_name = model_name
@@ -204,7 +105,7 @@ class TogetherEmbeddings(Embeddings):
         return self.embed_documents([text])[0]
 
 
-# ----------- پردازش و ایندکس کردن CSV -----------
+# ----------- پردازش و ایندکس کردن CSV ----------- 
 @st.cache_resource
 def build_vectorstore_from_csv(csv_file_path: str):
     df = pd.read_csv(csv_file_path)
@@ -226,119 +127,61 @@ def build_vectorstore_from_csv(csv_file_path: str):
 
     embeddings = TogetherEmbeddings(
         model_name="togethercomputer/m2-bert-80M-32k-retrieval",
-        api_key="0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979"
-    )
+        api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979'
+     )
 
     vectorstore = FAISS.from_documents(documents, embeddings)
     return vectorstore, embeddings
 
 
-# ----------- بارگذاری مدل زبانی -----------
+# ----------- بارگذاری مدل زبانی ----------- 
 def load_llm():
     return ChatOpenAI(
         base_url="https://api.together.xyz/v1",
         api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979',
-        model="Qwen/Qwen3-235B-A22B-fp8-tput"
+        model="meta-llama/Llama-3.3-70B-Instruct-Turbo-Free"
     )
 
 
-# ----------- ساخت پرامپت نهایی برای LLM -----------
-def build_prompt(context: str, user_question: str) -> str:
-    return 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: {user_question}
-"""
-
-
-# ----------- تمیز کردن خروجی مدل از پاسخ‌های اضافی -----------
-def clean_llm_response(response_text: str) -> str:
-    lines = response_text.split('\n')
-    filtered = [
-        line for line in lines
-        if not line.strip().startswith("<")
-        and not line.strip().lower().startswith(("think", "note", "#"))
-    ]
-    return "\n".join(filtered).strip() or "متأسفم، اطلاعات دقیقی در این مورد ندارم."
-
-
-# ----------- پردازش سوال و بازیابی پاسخ‌ها -----------
+# ----------- پردازش سوال و بازیابی پاسخ‌ها ----------- 
 def process_user_query(query: str, vectorstore, embedding_model, llm):
-    # 1. ساخت embedding از سوال
     query_embedding = embedding_model.embed_query(query)
-
-    # 2. پیدا کردن 3 پاسخ مشابه با cosine similarity
     docs = vectorstore.similarity_search_by_vector(query_embedding, k=3)
     context = "\n".join([doc.page_content for doc in docs])
 
-    # 3. ساخت پرامپت نهایی با استفاده از پاسخ‌های مشابه به عنوان context
-    final_prompt = build_prompt(context, query)
-
-    # 4. ارسال پرامپت به LLM و دریافت پاسخ
+    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()
 
-    # 5. تمیز کردن و نمایش پاسخ نهایی
-    clean_answer = clean_llm_response(raw_answer)
+    clean_answer = raw_answer.strip() or "متأسفم، اطلاعات دقیقی در این مورد ندارم."
     return clean_answer
 
 
-# ----------- اجرای Streamlit UI -----------
+# ----------- 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)}")
-        st.stop()
-
+        return
+    
     llm = load_llm()
 
-    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
-
-    # نمایش پیام‌های قبلی
-    for msg in st.session_state.messages:
-        with st.chat_message(msg['role']):
-            st.markdown(f"{msg['content']}", unsafe_allow_html=True)
-
-    # گرفتن سوال جدید
-    user_prompt = st.chat_input("سوال خود را وارد کنید...")
-
-    if user_prompt:
-        st.session_state.messages.append({'role': 'user', 'content': user_prompt})
-        st.session_state.pending_prompt = user_prompt
-        st.rerun()
-
-    # پردازش سوال
-    if st.session_state.pending_prompt:
-        with st.chat_message("ai"):
-            thinking = st.empty()
-            thinking.markdown("🤖 در حال فکر کردن...")
-
-            try:
-                # پردازش سوال و دریافت پاسخ نهایی
-                query = st.session_state.pending_prompt
-                clean_answer = process_user_query(query, vectorstore, embedding_model, llm)
-
-                thinking.empty()
-                full_response = ""
-                placeholder = st.empty()
-                for word in clean_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
-
-            except Exception as e:
-                thinking.empty()
-                st.error(f"خطا در پردازش مدل: {str(e)}")
-
-
-# اجرای برنامه
-if __name__ == "__main__":
-    run_chat_ui()
+    # 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()