Update app.py

app.py

@@ -1,48 +1,65 @@
+import os
 import gradio as gr
 from sentence_transformers import SentenceTransformer
-from pinecone import Pinecone
 from transformers import pipeline
-import json
+from pinecone import Pinecone, ServerlessSpec
 
-# پیکربندی اتصال Pinecone
-api_key = "pcsk_6p6AmJ_Qua4tQN69badNHEGZTj3tt5Bd7LiyiDGcXDj92LxSaBzK2ypYxTRx2rafTEJhjL"
-index_name = "tiyam-chat"
-region = "us-east-1"
+# بارگذاری مقادیر محرمانه
+PINECONE_API_KEY = os.environ.get("PINECONE_API_KEY")
+INDEX_NAME = os.environ.get("INDEX_NAME")
 
-# اتصال به Pinecone
-pc = Pinecone(api_key=api_key)
-index = pc.Index(index_name)
+# مدل embedding
+embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
 
-# مدل embedding برای بازیابی
-embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-mpnet-base-v2")
-
-# مدل زبانی برای تولید پاسخ طبیعی
+# مدل زبانی
 generator = pipeline("text-generation", model="HooshvareLab/gpt2-fa")
 
-# تابع چت RAG
+# اتصال به پایگاه Pinecone
+pc = Pinecone(api_key=PINECONE_API_KEY)
+index = pc.Index(INDEX_NAME)
+
+# تابع اصلی RAG
 def rag_chatbot(message, history):
-    # مرحله 1: تبدیل سؤال به بردار
-    query_vector = embedder.encode(message).tolist()
+    # پاسخ‌های ساده
+    greetings = ["سلام", "سلام وقت بخیر", "درود", "خسته نباشید"]
+    if message.strip() in greetings:
+        return "سلام! چطور می‌تونم کمکتون کنم؟ 😊"
 
-    # مرحله 2: جستجو در Pinecone
+    # بردارگیری
+    query_vector = embedder.encode(message).tolist()
     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:"
+    # ساخت context از نتایج
+    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."
 
-    # مرحله 4: تولید پاسخ طبیعی
+    # ساخت پرامپت دقیق
+    prompt = f"""اطلاعات زیر را بخوان و فقط بر اساس همین اطلاعات پاسخ بده.
+اگر جواب در اطلاعات نبود، بگو اطلاعی ندارم.
+
+اطلاعات:
+{context}
+
+سؤال: {message}
+پاسخ:"""
+
+    # تولید پاسخ
     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
 
-# رابط Gradio
-demo = gr.ChatInterface(
+# رابط چت
+chat_ui = gr.ChatInterface(
     fn=rag_chatbot,
     title="🤖 چت‌بات هوشمند تیام (نسخه RAG)",
-    description="پاسخ‌گویی ترکیبی با داده‌های شرکت و تولید متنی هوشمند",
-    theme="soft"
+    description="پاسخ‌گویی ترکیبی با داده‌های شرکت + تولید متن طبیعی هوشمند",
+    theme="soft",
 )
 
-demo.launch()
+chat_ui.launch()