Update app.py

app.py

@@ -1,22 +1,44 @@
-# تابع اصلی RAG
+import os
+import gradio as gr
+from sentence_transformers import SentenceTransformer
+from transformers import pipeline
+from pinecone import Pinecone
+
+# بارگذاری کلیدها از Secretها
+PINECONE_API_KEY = os.environ.get("PINECONE_API_KEY")
+INDEX_NAME = os.environ.get("INDEX_NAME")
+
+# مدل embedding برای بردارسازی سوالات
+embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
+
+# مدل زبان فارسی
+generator = pipeline("text-generation", model="HooshvareLab/gpt2-fa")
+
+# اتصال به Pinecone
+pc = Pinecone(api_key=PINECONE_API_KEY)
+index = pc.Index(INDEX_NAME)
+
+# تابع RAG چت‌بات
 def rag_chatbot(message, history):
     greetings = ["سلام", "سلام وقت بخیر", "درود", "خسته نباشید"]
     if message.strip() in greetings:
         return "سلام! چطور می‌تونم کمکتون کنم؟ 😊"
 
+    # بردارسازی و جستجو در Pinecone
     query_vector = embedder.encode(message).tolist()
     result = index.query(vector=query_vector, top_k=3, include_metadata=True)
 
-    if not result['matches']:
+    # بررسی وجود پاسخ
+    if not result.matches:
         return "متأسفم، پاسخی در پایگاه داده پیدا نکردم."
 
-    # ساخت context از نتایج
-    context = "\n".join([match['metadata'].get("پاسخ", "") for match in result['matches']])
+    # استخراج پاسخ‌ها
+    context = "\n".join([match.metadata.get("پاسخ", "") for match in result.matches])
 
     if not context.strip():
         return "متأسفم، اطلاعات کافی در این زمینه ندارم. لطفاً با ما تماس بگیرید."
 
-    # ساخت پرامپت دقیق
+    # ساخت پرامپت
     prompt = f"""اطلاعات زیر را بخوان و فقط بر اساس همین اطلاعات پاسخ بده.
 اگر جواب در اطلاعات نبود، بگو اطلاعی ندارم.
 
@@ -26,11 +48,24 @@ def rag_chatbot(message, history):
 سؤال: {message}
 پاسخ:"""
 
-    # تولید پاسخ
-    response = generator(prompt, max_new_tokens=100, do_sample=True, temperature=0.7)[0]['generated_text']
+    # تولید پاسخ توسط مدل زبان
+    response = generator(prompt, max_new_tokens=100, do_sample=True, temperature=0.7)[0]["generated_text"]
     answer = response.split("پاسخ:")[-1].strip()
 
+    # اگر خروجی بی‌معنا بود
     if len(answer) < 3:
         return "متأسفم، پاسخ مشخصی برای این سوال ندارم."
 
     return answer
+
+# رابط کاربری Gradio
+chat_ui = gr.ChatInterface(
+    fn=rag_chatbot,
+    title="🤖 چت‌بات هوشمند تیام (نسخه RAG)",
+    description="پاسخ‌گویی ترکیبی با داده‌های شرکت + تولید متن طبیعی هوشمند",
+    theme="soft",
+)
+
+# اجرا در Hugging Face
+if __name__ == "__main__":
+    chat_ui.launch()