Update app.py

app.py

@@ -1,64 +1,47 @@
 import gradio as gr
-from huggingface_hub import InferenceClient
-
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
+from transformers import AutoTokenizer, AutoModelForQuestionAnswering
+from langchain.chains import RetrievalQA
+from langchain.embeddings import SentenceTransformerEmbeddings
+from langchain.vectorstores import FAISS
+from langchain.text_splitter import CharacterTextSplitter
+
+# بارگذاری مدل و توکنایزر
+model_name = "HooshvareLab/bert-fa-base-uncased"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForQuestionAnswering.from_pretrained(model_name)
+
+# متن اصلی (می‌توانید از فایل Word خوانده شود)
+document_text = """
+این یک متن نمونه است که به عنوان پایه‌ای برای پاسخ به سؤالات استفاده می‌شود.
 """
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
-
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
-
-    messages.append({"role": "user", "content": message})
 
-    response = ""
+# تقسیم متن به قسمت‌های کوچکتر
+text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
+texts = text_splitter.split_text(document_text)
 
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
+# تبدیل متن به بردارهای معنایی
+embeddings = SentenceTransformerEmbeddings(model_name="paraphrase-multilingual-MiniLM-L12-v2")
+vectorstore = FAISS.from_texts(texts, embeddings)
 
-        response += token
-        yield response
-
-
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
+# ایجاد زنجیره QA
+qa_chain = RetrievalQA.from_chain_type(
+    llm=model,
+    chain_type="stuff",
+    retriever=vectorstore.as_retriever()
 )
 
+# تعریف تابع پاسخ‌دهی
+def chatbot_response(query):
+    answer = qa_chain.run(query)
+    return answer
+
+# ایجاد رابط کاربری با Gradio
+iface = gr.Interface(
+    fn=chatbot_response,
+    inputs="text",
+    outputs="text",
+    title="چت‌بات فارسی",
+    description="یک چت‌بات تعاملی که از محتوای فایل‌های Word استفاده می‌کند."
+)
 
-if __name__ == "__main__":
-    demo.launch()
+iface.launch()