Update app.py

app.py

@@ -1,45 +1,47 @@
 import gradio as gr
 from sentence_transformers import SentenceTransformer
 from pinecone import Pinecone
-
+from transformers import pipeline
 import json
-import os
 
-# اتصال به Pinecone
-api_key = "pcsk_6p6AmJ_Qua4tQN69badNHEGZTj3tt5Bd7LiyiDGcXDj92LxSaBzK2ypYxTRx2rafTEJhjL"  # 🔐 کلید خودت رو اینجا بذار
+# پیکربندی اتصال Pinecone
+api_key = "pcsk_6p6AmJ_Qua4tQN69badNHEGZTj3tt5Bd7LiyiDGcXDj92LxSaBzK2ypYxTRx2rafTEJhjL"
 index_name = "tiyam-chat"
 region = "us-east-1"
 
+# اتصال به Pinecone
 pc = Pinecone(api_key=api_key)
 index = pc.Index(index_name)
 
-# بارگذاری مدل
-model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-mpnet-base-v2')
-
-# بارگذاری داده‌ها از JSON (فایل کنار app.py باشه)
-with open("tiyam_qa_data.json", "r", encoding="utf-8") as f:
-    data = json.load(f)
-
-# تابع پاسخ‌دهی
-def chatbot_fn(message, history):
-    query_vector = model.encode(message).tolist()
-    result = index.query(vector=query_vector, top_k=1, include_metadata=True)
-
-    if result and result.matches:
-        top_match = result.matches[0]
-        score = top_match.score
-        answer = top_match.metadata.get("پاسخ", "پاسخی یافت نشد.")
-        if score < 0.6:
-            return "متأسفم، اطلاعات کافی ندارم. لطفاً با ما تماس بگیرید."
-        return answer
-    else:
-        return "متأسفم، متوجه سؤال نشدم. لطفاً واضح‌تر بپرسید."
-
-# رابط چت
+# مدل embedding برای بازیابی
+embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-mpnet-base-v2")
+
+# مدل زبانی برای تولید پاسخ طبیعی
+generator = pipeline("text-generation", model="HooshvareLab/gpt2-fa")
+
+# تابع چت RAG
+def rag_chatbot(message, history):
+    # مرحله 1: تبدیل سؤال به بردار
+    query_vector = embedder.encode(message).tolist()
+
+    # مرحله 2: جستجو در Pinecone
+    result = index.query(vector=query_vector, top_k=3, include_metadata=True)
+    context = "\n".join([match.metadata.get("پاسخ", "") for match in result.matches])
+
+    # مرحله 3: ساخت پرامپت ترکیبی
+    prompt = f"سؤال: {message}\nاطلاعات:\n{context}\nپاسخ:"
+
+    # مرحله 4: تولید پاسخ طبیعی
+    response = generator(prompt, max_new_tokens=100, do_sample=True, temperature=0.7)[0]['generated_text']
+    answer = response.split("پاسخ:")[-1].strip()
+
+    return answer
+
+# رابط Gradio
 demo = gr.ChatInterface(
-    fn=chatbot_fn,
-    title="🤖 چت‌بات هوشمند تیام",
-    description="سؤالات خود را درباره آژانس دیجیتال مارکتینگ تیام بپرسید!",
+    fn=rag_chatbot,
+    title="🤖 چت‌بات هوشمند تیام (نسخه RAG)",
+    description="پاسخ‌گویی ترکیبی با داده‌های شرکت و تولید متنی هوشمند",
     theme="soft"
 )