app.py

import gradio as gr
from sentence_transformers import SentenceTransformer, util
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

# بارگذاری مدل SBERT برای تشابه معنایی
embedder = SentenceTransformer("myrkur/sentence-transformer-parsbert-fa-2.0")

# بارگذاری مدل زبانی GPT فارسی
gpt_tokenizer = AutoTokenizer.from_pretrained("HooshvareLab/gpt2-fa")
gpt_model = AutoModelForCausalLM.from_pretrained("HooshvareLab/gpt2-fa")

# پایگاه داده سوالات متداول
faq_dict = {
    "زمان انتخاب واحد": "معمولاً پایان شهریور و بهمن است.",
    "زمان حذف و اضافه": "حدود یک هفته پس از شروع ترم تحصیلی است.",
    "معدل لازم برای 24 واحد": "حداقل معدل 17 نیاز است.",
    "حذف اضطراری": "تا هفته هشتم ترم مجاز است.",
    "شرایط مهمان شدن": "با موافقت دانشگاه مبدا و مقصد انجام می‌شود.",
}

faq_questions = list(faq_dict.keys())
faq_embeddings = embedder.encode(faq_questions, convert_to_tensor=True)

# تابع پاسخ‌دهی مدل زبانی Fallback
def generate_with_farsigpt(question, max_length=80):
    try:
        input_ids = gpt_tokenizer.encode(question, return_tensors="pt")
        output = gpt_model.generate(input_ids, max_length=max_length, pad_token_id=gpt_tokenizer.eos_token_id)
        response = gpt_tokenizer.decode(output[0], skip_special_tokens=True)
        return response[len(question):].strip()
    except Exception as e:
        return f"❗️خطا در پاسخ‌دهی با مدل زبانی: {str(e)}"

# تابع کلی پاسخ‌دهی ایجنت
def student_bot(question):
    try:
        question_embedding = embedder.encode(question, convert_to_tensor=True)
        cos_scores = util.pytorch_cos_sim(question_embedding, faq_embeddings)[0]
        best_score = cos_scores.max().item()
        best_idx = cos_scores.argmax().item()

        if best_score >= 0.7:
            best_q = faq_questions[best_idx]
            return faq_dict[best_q]
        else:
            response = generate_with_farsigpt(question)
            return f"🤖 پاسخ با مدل زبانی:\n{response}"
    except Exception as e:
        return f"❗️خطا در سیستم: {str(e)}"

# رابط کاربری Gradio
iface = gr.Interface(
    fn=student_bot,
    inputs=gr.Textbox(label="سؤال خود را وارد کنید"),
    outputs=gr.Textbox(label="پاسخ"),
    title="ایجنت راهنمای دانشجویان با fallback",
    description="اول از پایگاه دانش، در صورت نبودن، با مدل زبانی پاسخ داده می‌شود."
)

iface.launch()