import streamlit as st
import datetime
import pandas as pd
from typing import List
from langchain_core.embeddings.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
import re
st.set_page_config(page_title="رزم‌یار ارتش", page_icon="🪖", layout="wide")
# ----------------- استایل سفارشی -----------------
st.markdown("""
""", 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("ورود به رزم‌یار ارتش
", 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"""
""", unsafe_allow_html=True)
# ----------------- محتوای اصلی -----------------
st.markdown("""
""", unsafe_allow_html=True)
# پیام خوش‌آمدگویی
st.markdown(f"""
🪖
به رزم‌یار ارتش خوش آمدید.
""", 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):
# تبدیل سوال کاربر به امبدینگ
query_embedding = embedding_model.embed_query(query)
# جستجوی نزدیک‌ترین متون به سوال
docs = vectorstore.similarity_search_by_vector(query_embedding, k=3)
context = "\n".join([doc.page_content for doc in docs])
# چک کردن وجود عدد یا اطلاعات عددی در پاسخ
if "عدد" in query or "قیمت" in query: # اگر سوال عددی است
# استخراج اطلاعات عددی از متون مشابه
context = extract_numbers_from_text(context)
# ارسال متن به مدل
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
def extract_numbers_from_text(text: str):
# استخراج اعداد از متن
numbers = re.findall(r'\d+(?:\.\d+)?', text)
return "\n".join(numbers)
# ----------- 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"""
🎖️
{response}
""", unsafe_allow_html=True)
run_chat_ui()