Upload 2 files

my_logic.py

@@ -1,8 +1,9 @@
-
+import pandas as pd
 from collections import defaultdict
 from difflib import SequenceMatcher
 
-# NOTE: You must define search_reviews, filter_relevant, metadata, etc.
+# Load reviews CSV
+metadata = pd.read_csv("cleaned_iau_reviews.csv").to_dict(orient="records")
 
 def similar(a, b):
     return SequenceMatcher(None, a, b).ratio()
@@ -55,9 +56,9 @@ def build_strict_context(reviews, user_question):
     else:
         filtered = reviews
 
-    result = f"👨‍🏫 استاد: {best_prof or '[نامشخص]'} — 📚 درس: {best_course or '[نامشخص]'}\\n💬 نظرات:\\n"
+    result = f"👨‍🏫 استاد: {best_prof or '[نامشخص]'} — 📚 درس: {best_course or '[نامشخص]'}\n💬 نظرات:\n"
     for i, r in enumerate(filtered, 1):
-        result += f"{i}. {r['comment'].strip()}\\n🔗 لینک: {r['link']}\\n\\n"
+        result += f"{i}. {r['comment'].strip()}\n🔗 لینک: {r['link']}\n\n"
     return result
 
 def truncate_reviews_to_fit(reviews, max_chars=127000):
@@ -72,29 +73,16 @@ def truncate_reviews_to_fit(reviews, max_chars=127000):
     return final
 
 def answer_question(user_question, model):
-    print(f"\\n🧠 Starting debug for question: {user_question}")
-    retrieved = search_reviews(user_question, top_k=100)
-    print(f"🔍 FAISS returned {len(retrieved)} raw rows")
-    retrieved = filter_relevant(retrieved, user_question)
-    print(f"✅ After filter_relevant(): {len(retrieved)} rows")
-    keyword_hits = keyword_match_reviews(user_question, metadata)
-    print(f"🔠 Keyword hits found: {len(keyword_hits)}")
-    existing_links = set(r["link"] for r in retrieved)
-    added = 0
-    for r in keyword_hits:
-        if r["link"] not in existing_links:
-            retrieved.append(r)
-            added += 1
-    print(f"➕ Added {added} unique fallback keyword rows")
-    print(f"📊 Total before truncation: {len(retrieved)}")
+    print(f"\n🧠 Starting debug for question: {user_question}")
+    retrieved = keyword_match_reviews(user_question, metadata)
     if not retrieved:
         return "❌ هیچ تجربه‌ای در مورد سوال شما در داده‌های کانال یافت نشد."
+
     retrieved.sort(key=lambda r: relevance_score(r, user_question), reverse=True)
     retrieved = truncate_reviews_to_fit(retrieved)
-    print(f"✂️ After truncation: {len(retrieved)} rows")
     context = build_strict_context(retrieved, user_question)
-    print("📝 Sample context sent to Gemini:\\n", context[:1000], "\\n...")
-    prompt = f"""شما یک دستیار هوشمند انتخاب واحد هستید که فقط و فقط بر اساس نظرات واقعی دانشجویان از کانال @IAUCourseExp پاسخ می‌دهید. کار شما کمک به دانشجویان برای انتخاب استاد و درس، بر اساس تجربیات ثبت‌شده در این کانال است.
+
+    prompt = f"""شما یک دستیار هوشمند انتخاب واحد هستید که فقط و فقط بر اساس نظرات واقعی دانشجویان از کانال @IAUCourseExp پاسخ می‌دهید.
 
 ❗ قوانین مهم:
 - فقط از داده‌های همین نظرات استفاده کن. هیچ اطلاعات اضافی، حدسی یا اینترنتی استفاده نکن.
@@ -104,20 +92,18 @@ def answer_question(user_question, model):
   • مقایسه چند استاد برای یک درس
   • معرفی بهترین یا بدترین استادهای یک درس
   • تحلیل نظر کلی دانشجویان درمورد یک درس خاص
-  بنابراین آماده باش که با توجه به داده‌ها به هر نوع سوال، دقیق و قابل اعتماد پاسخ بدهی.
-- همه‌ی نظرات مربوط به سوال را بررسی کن (نه فقط یکی یا دو تا) و به‌صورت فهرست‌وار یا خلاصه‌شده تحلیلشان کن.
-- برای هر نظر، لینک تلگرام مربوطه را نیز حتماً ذکر کن.
-- در پایان پاسخ، نتیجه‌گیری نهایی خود را بنویس: آیا این استاد برای این درس توصیه می‌شود یا نه — فقط بر اساس همین نظرات.
-- در انتها حتماً بنویس:
-📊 این پاسخ بر اساس بررسی {len(retrieved)} نظر دانشجویی نوشته شده است.
+- همه‌ی نظرات مربوطه را تحلیل کن و لینکشان را هم بنویس.
+- نتیجه‌گیری نهایی در انتها اضافه کن.
 
 🔎 سوال دانشجو:
 {user_question}
 
-📄 نظرات دانشجویان (برگرفته از کانال تجربیات انتخاب واحد):
+📄 نظرات دانشجویان:
 {context}
 
 📘 پاسخ نهایی:
+📊 این پاسخ بر اساس بررسی {len(retrieved)} نظر دانشجویی نوشته شده است.
 """
+
     response = model.generate_content(prompt)
-    return response.text
+    return response.text