Update app.py

app.py

@@ -3,48 +3,41 @@ import gradio as gr
 from sentence_transformers import SentenceTransformer
 from transformers import pipeline
 from pinecone import Pinecone
-from pinecone.core.client.exceptions import PineconeException
 
-# بارگذاری مقادیر محرمانه از محیط
+# بارگذاری کلیدهای محرمانه
 PINECONE_API_KEY = os.environ.get("PINECONE_API_KEY")
 INDEX_NAME = os.environ.get("INDEX_NAME")
 
-# مدل embedding هماهنگ با dimension = 384
+# مدل embedding با دایمنشن 384
 embedder = SentenceTransformer("sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
 
-# مدل زبانی فارسی
+# مدل تولید متن فارسی
 generator = pipeline("text-generation", model="HooshvareLab/gpt2-fa")
 
 # اتصال به Pinecone
 pc = Pinecone(api_key=PINECONE_API_KEY)
 index = pc.Index(INDEX_NAME)
 
-# پیام‌های سلام اولیه
+# لیست خوش‌آمدگویی
 greetings = ["سلام", "سلام وقت بخیر", "درود", "خسته نباشید", "سلام خوبی؟", "سلام عزیز"]
 
-# تابع چت RAG
+# تابع اصلی
 def rag_chatbot(message, history):
-    try:
-        # پاسخ ساده به سلام‌ها
-        if message.strip() in greetings:
-            return "سلام! چطور می‌تونم کمکتون کنم؟ 😊"
+    if message.strip() in greetings:
+        return "سلام! چطور می‌تونم کمکتون کنم؟ 😊"
 
-        # تبدیل پرسش به بردار
+    try:
         query_vector = embedder.encode(message).tolist()
-
-        # جستجوی مشابه‌ترین پاسخ‌ها در ایندکس
         result = index.query(vector=query_vector, top_k=3, include_metadata=True)
 
         if not result['matches']:
             return "متأسفم، پاسخی در پایگاه داده پیدا نکردم."
 
-        # استخراج پاسخ‌های مرتبط
         context = "\n".join([m['metadata'].get("پاسخ", "") for m in result['matches'] if m['score'] > 0.7])
 
         if not context.strip():
             return "متأسفم، اطلاعات کافی در این زمینه ندارم. لطفاً با ما تماس بگیرید."
 
-        # ساخت پرامپت برای مدل زبانی
         prompt = f"""اطلاعات زیر را بخوان و فقط بر اساس همین اطلاعات پاسخ بده.
 اگر جواب در اطلاعات نبود، بگو اطلاعی ندارم.
 
@@ -54,7 +47,6 @@ def rag_chatbot(message, history):
 سؤال: {message}
 پاسخ:"""
 
-        # تولید پاسخ نهایی
         response = generator(prompt, max_new_tokens=100, do_sample=True, temperature=0.7)[0]['generated_text']
         answer = response.split("پاسخ:")[-1].strip()
 
@@ -63,10 +55,8 @@ def rag_chatbot(message, history):
 
         return answer
 
-    except PineconeException as e:
-        return f"❗ خطای پایگاه داده: {str(e)}"
     except Exception as e:
-        return f"🚫 خطای غیرمنتظره: {str(e)}"
+        return f"🚫 خطا در پردازش: {str(e)}"
 
 # رابط کاربری Gradio
 chat_ui = gr.ChatInterface(