# smart_context.py - اصلاح تابع retrieve_context

async def retrieve_context(self, query: str, max_tokens: int = None) -> List[Dict[str, Any]]:
    """بازیابی هوشمند context مرتبط با query"""
    
    if max_tokens is None:
        max_tokens = self.max_context_tokens
    
    start_time = datetime.now()
    
    # 1. دریافت embedding برای query
    query_embedding = self.embedding_manager.get_embedding(query)
    
    # 2. بازیابی از لایه‌های مختلف حافظه
    retrieved_memories = []
    
    # از حافظه فعال (همیشه)
    retrieved_memories.extend(self._retrieve_from_working_memory())
    
    # از حافظه اخیر (بر اساس شباهت)
    recent_memories = await self._retrieve_semantic_memories(query_embedding, 'recent')
    retrieved_memories.extend(recent_memories)
    
    # از حافظه بلندمدت (اطلاعات مهم)
    long_term_memories = await self._retrieve_semantic_memories(query_embedding, 'long_term')
    retrieved_memories.extend(long_term_memories)
    
    # از حافظه هسته (اطلاعات حیاتی کاربر)
    core_memories = self._retrieve_core_memories(query)
    retrieved_memories.extend(core_memories)
    
    # 3. حذف تکراری‌ها و مرتب‌سازی
    unique_memories = self._deduplicate_memories(retrieved_memories)
    prioritized_memories = self._prioritize_memories(unique_memories, query_embedding)
    
    # 4. انتخاب تا سقف توکن
    final_context = []
    total_tokens = 0
    
    for memory in prioritized_memories:
        memory_tokens = memory['node'].tokens if 'node' in memory else 50
        
        if total_tokens + memory_tokens <= max_tokens:
            final_context.append(memory)
            total_tokens += memory_tokens
        else:
            break
    
    # 5. به‌روزرسانی آمار
    self.stats['retrieved_memories'] += len(final_context)
    
    retrieval_time = (datetime.now() - start_time).total_seconds()
    logger.info(f"Retrieved {len(final_context)} memories in {retrieval_time:.2f}s")
    
    return final_context

# اصلاح تابع get_context_for_api
async def get_context_for_api(self, query: str = None) -> List[Dict[str, Any]]:
    """تهیه context برای ارسال به API"""
    
    # اگر query داریم، context هوشمند بازیابی کن
    if query:
        retrieved = await self.retrieve_context(query)
        
        # تبدیل به فرمت API
        api_messages = []
        
        # ابتدا اطلاعات پروفایل کاربر
        api_messages.append({
            'role': 'system',
            'content': f"User profile: {self._format_user_profile()}"
        })
        
        # سپس حافظه‌های بازیابی شده
        for memory in retrieved:
            node = memory['node']
            api_messages.append({
                'role': node.role,
                'content': node.content
            })
        
        return api_messages
    
    else:
        # حالت ساده: فقط حافظه فعال
        api_messages = []
        
        for node in list(self.memory_layers['working'])[-6:]:
            api_messages.append({
                'role': node.role,
                'content': node.content
            })
        
        return api_messages
    

















# main.py - اصلاح تابع _process_user_request

async def _process_user_request(update: Update, context: ContextTypes.DEFAULT_TYPE):
    chat_id = update.effective_chat.id
    user_message = update.message.text
    user_id = update.effective_user.id
    
    start_time = time.time()

    try:
        await context.bot.send_chat_action(chat_id=chat_id, action="typing")
        
        # استفاده از Context هوشمند اگر فعال باشد
        if HAS_SMART_CONTEXT:
            smart_context = _get_or_create_smart_context(user_id)
            
            # پردازش پیام کاربر با سیستم هوشمند
            await smart_context.process_message("user", user_message)
            
            # بازیابی context مرتبط
            retrieved_context = await smart_context.retrieve_context(user_message, max_tokens=1024)
            
            # آماده‌سازی پیام‌ها برای API
            messages = await smart_context.get_context_for_api(user_message)
            
            logger.info(f"Smart context: {len(messages)} messages retrieved for user {user_id}")
        else:
            # استفاده از سیستم قدیمی
            user_context = data_manager.get_context_for_api(user_id)
            data_manager.add_to_user_context(user_id, "user", user_message)
            messages = user_context.copy()
            messages.append({"role": "user", "content": user_message})
        
        # ارسال به API
        response = await client.chat.completions.create(
            model="mlabonne/gemma-3-27b-it-abliterated:featherless-ai",
            messages=messages,
            temperature=1.0,
            top_p=0.95,
            stream=False,
        )
        
        end_time = time.time()
        response_time = end_time - start_time
        data_manager.update_response_stats(response_time)
        
        ai_response = response.choices[0].message.content
        
        # ذخیره پاسخ در سیستم مناسب
        if HAS_SMART_CONTEXT:
            await smart_context.process_message("assistant", ai_response)
        else:
            data_manager.add_to_user_context(user_id, "assistant", ai_response)
        
        await update.message.reply_text(ai_response)
        data_manager.update_user_stats(user_id, update.effective_user)

    except httpx.TimeoutException:
        logger.warning(f"Request timed out for user {user_id}.")
        await update.message.reply_text("⏱️ ارتباط با سرور هوش مصنوعی طولانی شد. لطفاً دوباره تلاش کنید.")
    except Exception as e:
        logger.error(f"Error while processing message for user {user_id}: {e}")
        await update.message.reply_text("❌ متاسفانه در پردازش درخواست شما مشکلی پیش آمد. لطفاً دوباره تلاش کنید.")

















# smart_context.py - اصلاح توابع async

async def _retrieve_semantic_memories(self, query_embedding: np.ndarray, 
                                    layer: str) -> List[Dict[str, Any]]:
    """بازیابی حافظه‌های معنایی"""
    memories = []
    
    if layer not in self.memory_layers:
        return memories
    
    layer_memories = self.memory_layers[layer]
    
    for item in layer_memories:
        node = item if hasattr(item, 'embeddings') else item['node'] if isinstance(item, dict) else None
        
        if node and node.embeddings is not None:
            similarity = self.embedding_manager.cosine_similarity(
                query_embedding, node.embeddings
            )
            
            if similarity > self.semantic_similarity_threshold:
                recency_weight = 1.0 if layer == 'working' else 0.7
                
                memories.append({
                    'node': node,
                    'source': layer,
                    'relevance': similarity,
                    'recency': recency_weight,
                    'importance': node.importance_score
                })
    
    return memories

# اصلاح تابع process_message برای جلوگیری از block کردن
async def process_message(self, role: str, content: str) -> Dict[str, Any]:
    """پرداش کامل یک پیام جدید"""
    start_time = datetime.now()
    
    # 1. تحلیل پیام
    analysis = self.analyzer.analyze_message(content, role)
    
    # 2. ایجاد گره حافظه
    message_id = self._generate_message_id(content)
    
    # ایجاد embedding به صورت غیرهمزمان
    embedding_task = asyncio.create_task(
        self._get_embedding_async(content)
    )
    
    node = MessageNode(
        id=message_id,
        content=content,
        role=role,
        timestamp=datetime.now(),
        message_type=analysis['type'],
        importance_score=analysis['importance'],
        emotion_score=analysis['emotion'],
        tokens=data_manager.count_tokens(content),
        embeddings=None,  # موقتاً None
        metadata={
            'analysis': analysis,
            'topics': analysis['topics'],
            'intent': analysis['intent'],
            'complexity': analysis['complexity']
        }
    )
    
    # دریافت embedding (اگر موجود باشد)
    try:
        node.embeddings = await asyncio.wait_for(embedding_task, timeout=2.0)
    except asyncio.TimeoutError:
        logger.warning(f"Embedding generation timeout for message {message_id}")
        node.embeddings = self.embedding_manager.get_embedding(content)
    
    # 3. افزودن به حافظه و گراف
    await asyncio.to_thread(self._add_to_memory_layers, node, analysis)
    await asyncio.to_thread(self.memory_graph.add_node, node)
    
    # 4. ایجاد ارتباطات
    await asyncio.to_thread(self._create_memory_connections, node)
    
    # 5. به‌روزرسانی پروفایل کاربر
    if role == 'user':
        await asyncio.to_thread(self._update_user_profile, content, analysis)
    
    # 6. بهینه‌سازی حافظه
    await asyncio.to_thread(self._optimize_memory)
    
    # 7. به‌روزرسانی آمار
    self.stats['total_messages'] += 1
    self.stats['average_importance'] = (
        self.stats['average_importance'] * (self.stats['total_messages'] - 1) + 
        analysis['importance']
    ) / self.stats['total_messages']
    
    # 8. ذخیره داده‌ها
    await asyncio.to_thread(self._save_data)
    
    processing_time = (datetime.now() - start_time).total_seconds()
    logger.info(f"Processed message {message_id} in {processing_time:.2f}s, importance: {analysis['importance']:.2f}")
    
    return {
        'node_id': message_id,
        'analysis': analysis,
        'processing_time': processing_time
    }

async def _get_embedding_async(self, text: str) -> np.ndarray:
    """دریافت embedding به صورت async"""
    loop = asyncio.get_event_loop()
    return await loop.run_in_executor(
        None, 
        self.embedding_manager.get_embedding, 
        text
    )





























# admin_panel.py - اصلاح توابع async در smart_context

@admin_only
async def admin_smart_context_stats(update: Update, context: ContextTypes.DEFAULT_TYPE):
    """نمایش آمار context هوشمند برای کاربران"""
    if not HAS_SMART_CONTEXT:
        await update.message.reply_text("⚠️ سیستم context هوشمند فعال نیست.")
        return
    
    if not context.args:
        await update.message.reply_text("⚠️ لطفاً آیدی کاربر را وارد کنید.\nمثال: `/smart_stats 123456789`")
        return
    
    user_id = int(context.args[0])
    
    # بررسی وجود مدیر context
    if user_id not in smart_context_managers:
        smart_context_managers[user_id] = IntelligentContextManager(user_id)
    
    smart_context = smart_context_managers[user_id]
    summary = await asyncio.to_thread(smart_context.get_summary)
    
    # ... بقیه کد بدون تغییر



























# smart_context.py - اضافه کردن خطاگیری بهتر

async def retrieve_context(self, query: str, max_tokens: int = None) -> List[Dict[str, Any]]:
    """بازیابی هوشمند context مرتبط با query"""
    try:
        if max_tokens is None:
            max_tokens = self.max_context_tokens
        
        start_time = datetime.now()
        
        # دریافت embedding با timeout
        try:
            embedding_task = asyncio.create_task(
                self._get_embedding_async(query)
            )
            query_embedding = await asyncio.wait_for(embedding_task, timeout=3.0)
        except asyncio.TimeoutError:
            logger.warning(f"Embedding timeout for query: {query[:50]}")
            query_embedding = self.embedding_manager.get_embedding(query)
        
        # بازیابی از حافظه‌های مختلف به صورت موازی
        tasks = []
        
        # حافظه فعال
        tasks.append(asyncio.create_task(
            asyncio.to_thread(self._retrieve_from_working_memory)
        ))
        
        # حافظه معنایی
        tasks.append(self._retrieve_semantic_memories(query_embedding, 'recent'))
        tasks.append(self._retrieve_semantic_memories(query_embedding, 'long_term'))
        
        # حافظه هسته
        tasks.append(asyncio.create_task(
            asyncio.to_thread(self._retrieve_core_memories, query)
        ))
        
        # اجرای موازی همه tasks
        results = await asyncio.gather(*tasks, return_exceptions=True)
        
        # جمع‌آوری نتایج
        retrieved_memories = []
        for result in results:
            if isinstance(result, Exception):
                logger.error(f"Error retrieving memory: {result}")
                continue
            retrieved_memories.extend(result)
        
        # ادامه پردازش...
        # ... بقیه کد بدون تغییر
        
    except Exception as e:
        logger.error(f"Error in retrieve_context: {e}")
        # Fallback: برگرداندن حافظه فعال
        return self._retrieve_from_working_memory()