# -*- coding: utf-8 -*- """ وحدة المساعد الذكي هذا الملف يحتوي على الفئة الرئيسية لتطبيق المساعد الذكي مع دعم نموذج Claude AI. """ import streamlit as st import pandas as pd import numpy as np import matplotlib.pyplot as plt import plotly.express as px import requests import json import time import base64 import logging import os from datetime import datetime, timedelta import io import tempfile import random from io import BytesIO from tempfile import NamedTemporaryFile from PIL import Image class ClaudeAIService: """ فئة خدمة Claude AI للتحليل الذكي """ def __init__(self): """تهيئة خدمة Claude AI""" self.api_url = "https://api.anthropic.com/v1/messages" def get_api_key(self): """الحصول على مفتاح API من متغيرات البيئة""" api_key = os.environ.get("anthropic") if not api_key: raise ValueError("مفتاح API لـ Claude غير موجود في متغيرات البيئة") return api_key def get_available_models(self): """ الحصول على قائمة بالنماذج المتاحة العوائد: dict: قائمة بالنماذج مع وصفها """ return { "claude-3-7-sonnet": "Claude 3.7 Sonnet - نموذج ذكي للمهام المتقدمة", "claude-3-5-haiku": "Claude 3.5 Haiku - أسرع نموذج للمهام اليومية" } def get_model_full_name(self, short_name): """ تحويل الاسم المختصر للنموذج إلى الاسم الكامل المعلمات: short_name: الاسم المختصر للنموذج العوائد: str: الاسم الكامل للنموذج """ valid_models = { "claude-3-7-sonnet": "claude-3-7-sonnet-20250219", "claude-3-5-haiku": "claude-3-5-haiku-20240307" } return valid_models.get(short_name, short_name) def analyze_image(self, image_path, prompt, model_name="claude-3-7-sonnet"): """ تحليل صورة باستخدام نموذج Claude AI المعلمات: image_path: مسار الصورة المراد تحليلها prompt: التوجيه للنموذج model_name: اسم نموذج Claude المراد استخدامه العوائد: dict: نتائج التحليل """ try: # الحصول على مفتاح API api_key = self.get_api_key() # قراءة محتوى الملف مع ضغط الصور فقط file_size = os.path.getsize(image_path) _, ext = os.path.splitext(image_path) ext = ext.lower() if ext in ['.jpg', '.jpeg', '.png', '.gif', '.webp'] and file_size > 5 * 1024 * 1024: # فقط ضغط الصور العادية وليس ملفات PDF try: with Image.open(image_path) as img: # حفظ الصورة المضغوطة في ذاكرة مؤقتة compressed_img_buffer = io.BytesIO() # حساب معامل الجودة المناسب quality = min(95, int((5 * 1024 * 1024 / file_size) * 100)) # حفظ الصورة بالجودة المحسوبة img.save(compressed_img_buffer, format='JPEG', quality=quality) compressed_img_buffer.seek(0) # استخدام البيانات المضغوطة file_content = compressed_img_buffer.read() logging.info(f"تم ضغط الصورة من {file_size/1024/1024:.2f} ميجابايت إلى {len(file_content)/1024/1024:.2f} ميجابايت") except Exception as e: logging.error(f"خطأ أثناء ضغط الصورة: {str(e)}") with open(image_path, 'rb') as f: file_content = f.read() else: # استخدام الملف الأصلي للملفات غير الصور أو الصور الصغيرة with open(image_path, 'rb') as f: file_content = f.read() # التحقق من حجم الملف بعد القراءة if len(file_content) > 5 * 1024 * 1024: raise ValueError(f"حجم الملف ({len(file_content)/1024/1024:.2f} ميجابايت) يتجاوز الحد الأقصى (5 ميجابايت). يرجى تقليل حجم الملف قبل الرفع.") # تحويل المحتوى إلى Base64 file_base64 = base64.b64encode(file_content).decode('utf-8') # تحديد نوع الملف من امتداده _, ext = os.path.splitext(image_path) ext = ext.lower() if ext in ('.jpg', '.jpeg'): file_type = "image/jpeg" elif ext == '.png': file_type = "image/png" elif ext == '.gif': file_type = "image/gif" elif ext == '.webp': file_type = "image/webp" else: file_type = "image/jpeg" # افتراضي # التحقق من اسم النموذج وتصحيحه إذا لزم الأمر model_name = self.get_model_full_name(model_name) # إعداد البيانات للطلب headers = { "Content-Type": "application/json", "x-api-key": api_key, "anthropic-version": "2023-06-01" } payload = { "model": model_name, "max_tokens": 4096, "messages": [ { "role": "user", "content": [ {"type": "text", "text": prompt}, { "type": "image", "source": { "type": "base64", "media_type": file_type, "data": file_base64 } } ] } ] } # إرسال الطلب إلى API response = requests.post( self.api_url, headers=headers, json=payload, timeout=60 ) # التحقق من نجاح الطلب if response.status_code != 200: error_message = f"فشل طلب API: {response.status_code}" try: error_details = response.json() error_message += f"\nتفاصيل: {error_details}" except: error_message += f"\nتفاصيل: {response.text}" return {"error": error_message} # معالجة الاستجابة result = response.json() return { "success": True, "content": result["content"][0]["text"], "model": result["model"], "usage": result.get("usage", {}) } except Exception as e: logging.error(f"خطأ أثناء تحليل الصورة: {str(e)}") import traceback stack_trace = traceback.format_exc() return {"error": f"فشل في تحليل الصورة: {str(e)}\n{stack_trace}"} def chat_completion(self, messages, model_name="claude-3-7-sonnet"): """ إكمال محادثة باستخدام نموذج Claude AI المعلمات: messages: سجل المحادثة model_name: اسم نموذج Claude المراد استخدامه العوائد: dict: نتائج الإكمال """ try: # الحصول على مفتاح API api_key = self.get_api_key() # تحويل رسائل streamlit إلى تنسيق Claude API claude_messages = [] for msg in messages: claude_messages.append({ "role": msg["role"], "content": msg["content"] }) # التحقق من اسم النموذج وتصحيحه إذا لزم الأمر model_name = self.get_model_full_name(model_name) # إعداد البيانات للطلب headers = { "Content-Type": "application/json", "x-api-key": api_key, "anthropic-version": "2023-06-01" } payload = { "model": model_name, "max_tokens": 2048, "messages": claude_messages, "temperature": 0.7 } # إرسال الطلب إلى API response = requests.post( self.api_url, headers=headers, json=payload, timeout=30 ) # التحقق من نجاح الطلب if response.status_code != 200: error_message = f"فشل طلب API: {response.status_code}" try: error_details = response.json() error_message += f"\nتفاصيل: {error_details}" except: error_message += f"\nتفاصيل: {response.text}" return {"error": error_message} # معالجة الاستجابة result = response.json() return { "success": True, "content": result["content"][0]["text"], "model": result["model"], "usage": result.get("usage", {}) } except Exception as e: logging.error(f"خطأ أثناء إكمال المحادثة: {str(e)}") import traceback stack_trace = traceback.format_exc() return {"error": f"فشل في إكمال المحادثة: {str(e)}\n{stack_trace}"} class AIAssistantApp: """وحدة المساعد الذكي""" def __init__(self): """تهيئة وحدة المساعد الذكي""" # التحقق من توفر مكتبة pdf2image try: from pdf2image import convert_from_path pdf_conversion_available = True self.pdf_conversion_available = True self.convert_from_path = convert_from_path except ImportError: pdf_conversion_available = False self.pdf_conversion_available = False # تحميل النماذج عند بدء التشغيل self.cost_model = self._load_cost_prediction_model() self.document_model = self._load_document_classifier_model() self.risk_model = self._load_risk_assessment_model() self.local_content_model = self._load_local_content_model() self.entity_model = self._load_entity_recognition_model() # إنشاء خدمة Claude AI self.claude_service = ClaudeAIService() # تهيئة قائمة الأسئلة والإجابات الشائعة self.faqs = [ { "question": "كيف يمكنني إضافة مشروع جديد؟", "answer": "يمكنك إضافة مشروع جديد من خلال الانتقال إلى وحدة إدارة المشاريع، ثم النقر على زر 'إضافة مشروع جديد'، وملء النموذج بالبيانات المطلوبة." }, { "question": "ما هي خطوات تسعير المناقصة؟", "answer": "تتضمن خطوات تسعير المناقصة: 1) تحليل مستندات المناقصة، 2) تحديد بنود العمل، 3) تقدير التكاليف المباشرة، 4) إضافة المصاريف العامة والأرباح، 5) احتساب المحتوى المحلي، 6) مراجعة النتائج النهائية." }, { "question": "كيف يتم حساب المحتوى المحلي؟", "answer": "يتم حساب المحتوى المحلي بتحديد نسبة المنتجات والخدمات والقوى العاملة المحلية من إجمالي التكاليف. يتم استخدام قاعدة بيانات الموردين المعتمدين وتطبيق معادلات خاصة حسب متطلبات هيئة المحتوى المحلي." }, { "question": "كيف يمكنني تصدير التقارير؟", "answer": "يمكنك تصدير التقارير من وحدة التقارير والتحليلات، حيث يوجد زر 'تصدير' في كل تقرير. يمكن تصدير التقارير بتنسيقات مختلفة مثل Excel و PDF و CSV." }, { "question": "كيف يمكنني تقييم المخاطر للمشروع؟", "answer": "يمكنك تقييم المخاطر للمشروع من خلال وحدة المخاطر، حيث يمكنك إضافة المخاطر المحتملة وتقييم تأثيرها واحتماليتها، ثم وضع خطة الاستجابة المناسبة." }, { "question": "ما هي طرق التسعير المتاحة في النظام؟", "answer": "يوفر النظام أربع طرق للتسعير: 1) التسعير القياسي، 2) التسعير غير المتزن، 3) التسعير التنافسي، 4) التسعير الموجه بالربحية. يمكنك اختيار الطريقة المناسبة حسب طبيعة المشروع واستراتيجية الشركة." }, { "question": "كيف يمكنني معالجة مستندات المناقصة ضخمة الحجم؟", "answer": "يمكنك استخدام وحدة تحليل المستندات لمعالجة مستندات المناقصة ضخمة الحجم، حيث تقوم الوحدة بتحليل المستندات واستخراج المعلومات المهمة مثل مواصفات المشروع ومتطلباته وشروطه تلقائياً." } ] def _load_cost_prediction_model(self): """تحميل نموذج التنبؤ بالتكاليف""" # في البيئة الإنتاجية، سيتم تحميل نموذج حقيقي # هنا نقوم بإنشاء كائن محاكاة للنموذج return {"name": "cost_prediction_model", "version": "1.0.0", "status": "loaded"} def _load_document_classifier_model(self): """تحميل نموذج تصنيف المستندات""" return {"name": "document_classifier_model", "version": "1.0.0", "status": "loaded"} def _load_risk_assessment_model(self): """تحميل نموذج تقييم المخاطر""" return {"name": "risk_assessment_model", "version": "1.0.0", "status": "loaded"} def _load_local_content_model(self): """تحميل نموذج تحليل المحتوى المحلي""" return {"name": "local_content_model", "version": "1.0.0", "status": "loaded"} def _load_entity_recognition_model(self): """تحميل نموذج التعرف على الكيانات""" return {"name": "entity_recognition_model", "version": "1.0.0", "status": "loaded"} def render(self): """عرض واجهة وحدة المساعد الذكي""" st.markdown("

وحدة المساعد الذكي

", unsafe_allow_html=True) tabs = st.tabs([ "المساعد الذكي", "التنبؤ بالتكاليف", "تحليل المخاطر", "تحليل المستندات", "المحتوى المحلي", "الأسئلة الشائعة" ]) with tabs[0]: self._render_ai_assistant_tab() with tabs[1]: self._render_cost_prediction_tab() with tabs[2]: self._render_risk_analysis_tab() with tabs[3]: self._render_document_analysis_tab() with tabs[4]: self._render_local_content_tab() with tabs[5]: self._render_faq_tab() def _render_ai_assistant_tab(self): """عرض تبويب المساعد الذكي مع دعم Claude AI""" st.markdown("### المساعد الذكي لتسعير المناقصات") # اختيار نموذج Claude claude_models = self.claude_service.get_available_models() selected_model = st.radio( "اختر نموذج الذكاء الاصطناعي", options=list(claude_models.keys()), format_func=lambda x: claude_models[x], horizontal=True, key="assistant_ai_model" ) # عرض واجهة المحادثة st.markdown("""

المساعد الذكي

تحدث مع المساعد الذكي للحصول على المساعدة في تسعير المناقصات وتحليل البيانات

""", unsafe_allow_html=True) # تهيئة محفوظات المحادثة في حالة الجلسة إذا لم تكن موجودة if 'ai_assistant_messages' not in st.session_state: st.session_state.ai_assistant_messages = [ {"role": "assistant", "content": "مرحباً! أنا المساعد الذكي لنظام تسعير المناقصات. كيف يمكنني مساعدتك اليوم؟"} ] # عرض محفوظات المحادثة بتنسيق محسن chat_container = st.container() with chat_container: st.markdown(""" """, unsafe_allow_html=True) for message in st.session_state.ai_assistant_messages: if message["role"] == "user": st.markdown(f"""
{message["content"]}
أنت • الآن
أ
""", unsafe_allow_html=True) else: st.markdown(f"""
م
{message["content"]}
المساعد • الآن
""", unsafe_allow_html=True) # إضافة خيار رفع الملفات uploaded_file = st.file_uploader( "اختياري: ارفع ملفًا للمساعدة (صورة، PDF)", type=["jpg", "jpeg", "png", "pdf"], key="assistant_file_upload" ) # مربع إدخال الرسالة user_input = st.text_input("اكتب رسالتك هنا", key="ai_assistant_input") # التحقق من وجود مفتاح API api_available = True try: self.claude_service.get_api_key() except ValueError: api_available = False st.warning("مفتاح API لـ Claude غير متوفر. يرجى إضافته في إعدادات النظام.")