Update app.py

app.py

@@ -4,12 +4,12 @@ from transformers import AutoTokenizer, AutoModel
 from sklearn.metrics.pairwise import cosine_similarity
 import numpy as np
 
-# بارگذاری مدل و توکنایزر
+# بارگذاری مدل
 model_name = "HooshvareLab/bert-fa-base-uncased"
 tokenizer = AutoTokenizer.from_pretrained(model_name)
 model = AutoModel.from_pretrained(model_name)
 
-# لیست سوالات و پاسخ‌ها (شکل طبیعی‌تر)
+# پایگاه دانش اولیه
 faq_dict = {
     "زمان انتخاب واحد چه موقع است؟": "معمولاً پایان شهریور و بهمن است.",
     "چه زمانی می‌توان حذف و اضافه انجام داد؟": "حدود یک هفته پس از شروع ترم تحصیلی است.",
@@ -19,19 +19,19 @@ faq_dict = {
 }
 
 faq_questions = list(faq_dict.keys())
+faq_embeddings = []
 
-# تابع استخراج embedding
+# تولید embedding
 def get_embedding(text):
     inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True)
     with torch.no_grad():
         outputs = model(**inputs)
-    emb = outputs.last_hidden_state.mean(dim=1).squeeze().cpu().numpy()
-    return emb
+    return outputs.last_hidden_state.mean(dim=1).squeeze().cpu().numpy()
 
-# ساخت embedding برای سوالات FAQ
+# ساخت embedding اولیه
 faq_embeddings = [get_embedding(q) for q in faq_questions]
 
-# تابع پاسخ‌گویی ایجنت
+# تابع پاسخ‌دهی
 def student_bot(user_question):
     try:
         user_emb = get_embedding(user_question)
@@ -39,8 +39,6 @@ def student_bot(user_question):
         best_idx = int(np.argmax(sims))
         best_score = sims[best_idx]
 
-        print(f"Similarity Scores: {sims}")  # برای دیباگ
-
         if best_score > 0.6:
             return faq_dict[faq_questions[best_idx]]
         else:
@@ -48,14 +46,34 @@ def student_bot(user_question):
     except Exception as e:
         return f"❗️خطا: {str(e)}"
 
-# رابط Gradio
-iface = gr.Interface(
-    fn=student_bot,
-    inputs=gr.Textbox(label="سؤال خود را وارد کنید"),
-    outputs=gr.Textbox(label="پاسخ"),
-    title="ایجنت راهنمای دانشجویان",
-    description="پاسخ‌دهی هوشمند به سؤالات پرتکرار با FarsiBERT"
-)
+# تابع افزودن سؤال و جواب جدید
+def add_faq(new_q, new_a):
+    if new_q.strip() == "" or new_a.strip() == "":
+        return "سؤال و پاسخ نمی‌توانند خالی باشند."
+    
+    if new_q in faq_dict:
+        return "⚠️ این سؤال از قبل موجود است."
+    
+    faq_dict[new_q] = new_a
+    faq_questions.append(new_q)
+    faq_embeddings.append(get_embedding(new_q))
+    return "✅ سؤال جدید با موفقیت افزوده شد."
+
+# رابط Gradio با دو تب:
+with gr.Blocks() as demo:
+    gr.Markdown("## 🤖 ایجنت راهنمای دانشجویان")
+
+    with gr.Tab("🟢 پرسش سؤال"):
+        user_input = gr.Textbox(label="سؤال شما")
+        response = gr.Textbox(label="پاسخ")
+        ask_btn = gr.Button("دریافت پاسخ")
+        ask_btn.click(fn=student_bot, inputs=user_input, outputs=response)
 
-iface.launch()
+    with gr.Tab("📝 افزودن سؤال جدید"):
+        new_q = gr.Textbox(label="سؤال جدید")
+        new_a = gr.Textbox(label="پاسخ مربوط به سؤال")
+        result = gr.Textbox(label="وضعیت ثبت")
+        add_btn = gr.Button("افزودن به پایگاه دانش")
+        add_btn.click(fn=add_faq, inputs=[new_q, new_a], outputs=result)
 
+demo.launch()