app.py

import time
import streamlit as st
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings.base import Embeddings
from langchain.vectorstores import FAISS
from langchain.indexes import VectorstoreIndexCreator
from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
from typing import List
from together import Together
import pandas as pd
from langchain.docstore.document import Document

# ----------------- تنظیمات صفحه -----------------
st.set_page_config(page_title="رزم یار ارتش", page_icon="🪖", layout="wide")

# ----------------- استایل سفارشی -----------------
st.markdown("""
    <style>
    @import url('https://fonts.googleapis.com/css2?family=Vazirmatn:wght@400;700&display=swap');
    html, body, [class*="css"] {
        font-family: 'Vazirmatn', Tahoma, sans-serif;
        direction: rtl;
        text-align: right;
    }
    .stApp {
        background: linear-gradient(to left, #f0f4f7, #d9e2ec);
    }
    .sidebar .sidebar-content {
        background-color: #ffffff;
        border-left: 2px solid #4e8a3e;
        padding-top: 10px;
    }
    .sidebar .sidebar-content div {
        margin-bottom: 10px;
        font-weight: bold;
        color: #2c3e50;
        font-size: 15px;
    }
    .stButton>button {
        background-color: #4e8a3e !important;
        color: white !important;
        font-weight: bold;
        border-radius: 8px;
        padding: 5px 16px;
        transition: 0.3s;
        font-size: 14px;
    }
    .stButton>button:hover {
        background-color: #3c6d30 !important;
    }
    .header-text {
        text-align: center;
        margin-top: 15px;
        margin-bottom: 25px;
        background-color: rgba(255, 255, 255, 0.85);
        padding: 16px;
        border-radius: 16px;
        box-shadow: 0 4px 10px rgba(0,0,0,0.1);
    }
    .header-text h1 {
        font-size: 36px;
        color: #2c3e50;
        margin: 0;
        font-weight: bold;
    }
    .subtitle {
        font-size: 16px;
        color: #34495e;
        margin-top: 5px;
    }
    .chat-message {
        background-color: rgba(255, 255, 255, 0.95);
        border: 1px solid #4e8a3e;
        border-radius: 12px;
        padding: 14px;
        margin-bottom: 10px;
        box-shadow: 0 4px 8px rgba(0,0,0,0.08);
        animation: fadeIn 0.5s ease;
    }
    .stTextInput>div>input, .stTextArea textarea {
        background-color: rgba(255,255,255,0.9) !important;
        border-radius: 8px !important;
        direction: rtl;
        text-align: right;
        font-family: 'Vazirmatn', Tahoma;
    }
    img.small-logo {
        width: 90px;
        margin-bottom: 15px;
        display: block;
        margin-right: auto;
        margin-left: auto;
    }
    .menu-item {
        display: flex;
        align-items: center;
        gap: 8px;
        padding: 6px 0;
        font-size: 15px;
        cursor: pointer;
    }
    .menu-item img {
        width: 20px;
        height: 20px;
    }
    </style>
""", unsafe_allow_html=True)

# ----------------- بدنه اصلی -----------------
with st.sidebar:
    st.image("log.png", width=90)

    
    st.markdown("""
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/3596/3596165.png" />
        گفتگوی جدید
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/709/709496.png" />
        تاریخچه
    </div>
    <hr/>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/1828/1828932.png" />
        مدل‌های هوش مصنوعی
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/681/681494.png" />
        تولید محتوا
    </div>
    <hr/>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/3601/3601646.png" />
        دستیار ویژه
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/709/709612.png" />
        ابزار مالی
    </div>
    <hr/>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/2099/2099058.png" />
        تنظیمات
    </div>
    <div class="menu-item">
        <img src="https://cdn-icons-png.flaticon.com/512/597/597177.png" />
        پشتیبانی
    </div>
    """, unsafe_allow_html=True)
st.markdown("""
    <style>
    /* تنظیم سایز سایدبار */
    [data-testid="stSidebar"] {
        width: 220px !important;
        flex-shrink: 0;
    }
    [data-testid="stSidebar"] > div {
        width: 220px !important;
    }
    </style>
""", unsafe_allow_html=True)

# محتوای اصلی
st.markdown("""
    <div class="header-text">
        <h1>رزم یار ارتش</h1>
        <div class="subtitle">دستیار هوشمند ارتشی برای پشتیبانی و راهبری</div>
    </div>
""", unsafe_allow_html=True)

st.markdown('<div class="chat-message">👋 سلام! چطور میتونم کمکتون کنم؟</div>', unsafe_allow_html=True)

# چت اینپوت کاربر
#user_input = st.text_input("پیام خود را وارد کنید...")

#if user_input:
#   st.markdown(f'<div class="chat-message">📩 شما: {user_input}</div>', unsafe_allow_html=True)



# ----------------- لود csv و ساخت ایندکس -----------------


# --- Embedding Class ---
class TogetherEmbeddings(Embeddings):
    def __init__(self, model_name: str, api_key: str):
        self.model_name = model_name
        self.client = Together(api_key=api_key)

    def embed_documents(self, texts: List[str]) -> List[List[float]]:
        batch_size = 100
        embeddings = []
        for i in range(0, len(texts), batch_size):
            batch = texts[i:i + batch_size]
            response = self.client.embeddings.create(model=self.model_name, input=batch)
            embeddings.extend([item.embedding for item in response.data])
        return embeddings

    def embed_query(self, text: str) -> List[float]:
        return self.embed_documents([text])[0]

# --- Load CSV and Create Index ---
@st.cache_resource
def get_csv_index(csv_file):
    with st.spinner('📄 در حال پردازش فایل CSV...'):
        df = pd.read_csv(csv_file)
        texts = df.iloc[:, 0].astype(str).tolist()
        texts = [text for text in texts if text.strip()]

        text_splitter = RecursiveCharacterTextSplitter(
            chunk_size=2048,
            chunk_overlap=256,
            length_function=len,
            separators=["\n\n", "\n", " ", ""]
        )

        split_texts = []
        for text in texts:
            split_texts.extend(text_splitter.split_text(text))

        documents = [Document(page_content=text) for text in split_texts]

        embeddings = TogetherEmbeddings(
            model_name="togethercomputer/m2-bert-80M-8k-retrieval",
            api_key="0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979"
        )

        vectorstore = FAISS.from_documents(documents, embeddings)
        return vectorstore, embeddings

# --- Load CSV ---
csv_file_path = 'output (1).csv'

try:
    vectorstore, embedding_model = get_csv_index(csv_file_path)
except Exception as e:
    st.error(f"خطا در ساخت ایندکس: {str(e)}")
    st.stop()

# --- Load LLM ---
llm = ChatOpenAI(
    base_url="https://api.together.xyz/v1",
    api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979',
    model="meta-llama/Llama-3-70B-Instruct"
)

# --- Chat UI ---
if 'messages' not in st.session_state:
    st.session_state.messages = []

if 'pending_prompt' not in st.session_state:
    st.session_state.pending_prompt = None

# نمایش پیام‌های قبلی
for msg in st.session_state.messages:
    with st.chat_message(msg['role']):
        st.markdown(f"🗨️ {msg['content']}", unsafe_allow_html=True)

# ورودی جدید کاربر
prompt = st.chat_input("چطور می‌تونم کمک کنم؟")

if prompt:
    st.session_state.messages.append({'role': 'user', 'content': prompt})
    st.session_state.pending_prompt = prompt
    st.rerun()

# پردازش سوال
if st.session_state.pending_prompt:
    with st.chat_message('ai'):
        thinking = st.empty()
        thinking.markdown("🤖 در حال فکر کردن...")

        try:
            # امبد کردن سوال
            query = st.session_state.pending_prompt
            query_embedding = embedding_model.embed_query(query)

            # بازیابی اسناد مشابه
            docs = vectorstore.similarity_search_by_vector(query_embedding, k=4)
            context = "\n".join([doc.page_content for doc in docs])

            # ساخت پرامپت نهایی برای LLM
            final_prompt = f"""با توجه به اطلاعات زیر پاسخ بده. فقط به زبان فارسی پاسخ بده:
اطلاعات:\n{context}\n\nسوال: {query}
"""

            # ارسال به LLM
            response = llm.invoke(final_prompt)
            answer = response.content.strip()
            if not answer:
                answer = "متأسفم، اطلاعات دقیقی در این مورد ندارم."

            # تایپ کردن تدریجی پاسخ
            thinking.empty()
            full_response = ""
            placeholder = st.empty()
            for word in answer.split():
                full_response += word + " "
                placeholder.markdown(full_response + "▌")
                time.sleep(0.03)

            placeholder.markdown(full_response)
            st.session_state.messages.append({'role': 'ai', 'content': full_response})
            st.session_state.pending_prompt = None

        except Exception as e:
            thinking.empty()
            st.error(f"خطا در پاسخ‌دهی: {str(e)}")