Update app.py

app.py

@@ -4,22 +4,22 @@ from sentence_transformers import SentenceTransformer
 from transformers import pipeline
 from pinecone import Pinecone
 
-# بارگذاری کلیدها
+# بارگذاری کلیدها از محیط
 PINECONE_API_KEY = os.environ.get("PINECONE_API_KEY")
-INDEX_NAME = os.environ.get("INDEX_NAME")
-
-# مدل برداری با dimension = 384
-embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
-
-# مدل زبان فارسی
-generator = pipeline("text-generation", model="HooshvareLab/gpt2-fa")
+INDEX_NAME = "tiyam-chat"
 
 # اتصال به Pinecone
 pc = Pinecone(api_key=PINECONE_API_KEY)
 index = pc.Index(INDEX_NAME)
 
-# پیام‌های خوش‌آمد
-greetings = ["سلام", "سلام وقت بخیر", "درود", "خسته نباشید", "سلام عزیز", "سلام خوبی؟"]
+# مدل بردارساز
+embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
+
+# مدل زبانی فارسی
+generator = pipeline("text-generation", model="HooshvareLab/gpt2-fa")
+
+# پاسخ‌های سلام
+greetings = ["سلام", "سلام وقت بخیر", "درود", "خسته نباشید", "سلام عزیز"]
 
 # تابع چت
 def rag_chatbot(message, history):
@@ -27,20 +27,20 @@ def rag_chatbot(message, history):
         return "سلام! چطور می‌تونم کمکتون کنم؟ 😊"
 
     try:
-        # تبدیل سوال به بردار
         query_vector = embedder.encode(message).tolist()
         result = index.query(vector=query_vector, top_k=3, include_metadata=True)
 
         if not result['matches']:
-            return "متأسفم، پاسخی در پایگاه داده پیدا نکردم."
+            return "متأسفم، پاسخ مشخصی پیدا نکردم."
 
-        # واکشی پاسخ‌ها از metadata
-        context = "\n".join([m['metadata'].get("answer", "") for m in result['matches'] if m['score'] > 0.7])
+        context = "\n".join([
+            match['metadata'].get("answer", "") or match['metadata'].get("پاسخ", "")
+            for match in result['matches'] if match['score'] > 0.7
+        ])
 
         if not context.strip():
             return "متأسفم، اطلاعات کافی در این زمینه ندارم. لطفاً با ما تماس بگیرید."
 
-        # ساخت پرامپت برای مدل
         prompt = f"""اطلاعات زیر را بخوان و فقط بر اساس همین اطلاعات پاسخ بده.
 اگر جواب در اطلاعات نبود، بگو اطلاعی ندارم.
 
@@ -53,19 +53,16 @@ def rag_chatbot(message, history):
         response = generator(prompt, max_new_tokens=100, do_sample=True, temperature=0.7)[0]['generated_text']
         answer = response.split("پاسخ:")[-1].strip()
 
-        if len(answer) < 3:
-            return "متأسفم، پاسخ مشخصی برای این سوال ندارم."
-
-        return answer
+        return answer if len(answer) > 3 else "متأسفم، پاسخ مشخصی برای این سوال ندارم."
 
     except Exception as e:
-        return f"🚫 خطا در پاسخ‌دهی: {str(e)}"
+        return f"🚫 خطا: {str(e)}"
 
-# رابط Gradio
+# رابط چت Gradio
 chat_ui = gr.ChatInterface(
     fn=rag_chatbot,
-    title="🤖 چت‌بات هوشمند تیام (نسخه RAG)",
-    description="پاسخ‌گویی ترکیبی از اطلاعات شرکت و تولید هوشمند متن",
+    title="🤖 چت‌بات هوشمند تیام",
+    description="پاسخ‌گویی بر پایه داده‌های واقعی شرکت + تولید متن با مدل فارسی",
     theme="soft",
 )