Upload app (64).py

رفع باگهای برنامه دوم اسففند

app (64).py

@@ -0,0 +1,653 @@
+import gradio as gr
+import re
+import os
+import requests
+import json
+import logging
+from typing import Dict, List, Tuple, Optional
+from llm_sender_unified import create_llm_sender
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+# ─────────────────────────────────────────────────────────────
+# مدل‌های موجود
+# ─────────────────────────────────────────────────────────────
+AVAILABLE_MODELS = {
+    "chatgpt":   ["gpt-5.1", "gpt-5", "gpt-4.1", "gpt-4o", "gpt-4o-mini", "gpt-4-turbo"],
+    "grok":      ["grok-4-0709", "grok-3", "grok-3-mini", "grok-2-1212"],
+    "deepinfra": [
+        "Qwen/Qwen3-14B", "Qwen/Qwen3-32B", "Qwen/Qwen3-30B-A3B",
+        "Qwen/Qwen2.5-72B-Instruct", "Qwen/Qwen2.5-14B-Instruct",
+    ],
+}
+
+ANON_MODEL   = "Qwen/Qwen3-14B"
+ANON_API_URL = "https://api.deepinfra.com/v1/openai/chat/completions"
+
+# ─────────────────────────────────────────────────────────────
+# SYSTEM PROMPT — قوانین پایه + رفع باگ‌های ساختاری
+# ─────────────────────────────────────────────────────────────
+ANON_SYSTEM_PROMPT = """You are a Persian financial text anonymizer. Output ONLY valid JSON, no explanation.
+
+PLACEHOLDER FORMAT:
+  company-01/02/03...  |  person-01/02/03...  |  amount-01/02/03...  |  percent-01/02/03...
+
+CRITICAL RULES:
+
+[COMPANY]
+- Covers: بانک، شرکت، بیمه، پتروشیمی، هلدینگ، صندوق، سازمان، گروه، ملی، سرمایه‌گذاری
+- The token replaces the COMPLETE name — no word left outside:
+    ✅ «شرکت فولاد مبارکه اصفهان» → company-01  (all 4 words inside)
+    ❌ «company-01 اصفهان»  ← WRONG, splits the name
+- Abbreviation in parentheses = part of the same entity, same token:
+    «شرکت گروه توسعه مالی مهر آیندگان (ومهان)» → company-01
+    Later «ومهان» alone → company-01 (same token, not new)
+- Short form / nickname = same token as full name already seen:
+    «شرکت پتروشیمی بوعلی سینا» → company-01 … later «بوعلی» → company-01
+- Do NOT anonymize generic words: بانک‌ها، شرکت‌ها، این بانک، 12 بانک کشور
+
+[AMOUNT]
+- Token = number + unit TOGETHER, nothing left outside:
+    ✅ «1,429,349 میلیون ریال» → amount-01  (unit inside)
+    ✅ «89 ریال» → amount-01
+    ✅ «636 ریال» → amount-01
+    ✅ «41.5 همت» → amount-01
+    ❌ «amount-01 میلیون ریال»  ← WRONG, unit must be inside
+
+[PERCENT]
+- Token = number + درصد/% TOGETHER, nothing left outside:
+    ✅ «14%» → percent-01
+    ✅ «38 درصد» → percent-01
+    ✅ «99.99 درصد» → percent-01
+    ✅ «منفی 345 درصد» → منفی percent-01
+    ✅ «40–60٪» → percent-01–percent-02  (two tokens for ranges)
+    ❌ «percent-01 درصد»  ← WRONG, درصد must be inside
+- Keep year numbers (1402,1403,1404) unchanged
+
+OUTPUT: exactly this JSON structure, nothing else:
+{"anonymized": "...", "mapping": {"token": "original", ...}}"""
+
+
+# ─────────────────────────────────────────────────────────────
+# few-shot examples — دقیقاً از باگ‌های واقعی
+# ─────────────────────────────────────────────────────────────
+FEW_SHOT_EXAMPLES = """
+=== EXAMPLES (learn these patterns) ===
+
+EXAMPLE 1 — نام مرکب + نام مختصر در پرانتز + تکرار:
+INPUT:  شرکت گروه توسعه مالی مهر آیندگان (ومهان) با رشد 14 درصدی سرمایه‌گذاری‌ها به 16 هزار و 495 میلیارد تومان رسید. سرمایه‌گذاری‌های ومهان چشم‌انداز روشنی دارد.
+OUTPUT: company-01 با رشد percent-01 سرمایه‌گذاری‌ها به amount-01 رسید. سرمایه‌گذاری‌های company-01 چشم‌انداز روشنی دارد.
+mapping: {"company-01": "شرکت گروه توسعه مالی مهر آیندگان (ومهان)", "percent-01": "14 درصد", "amount-01": "16 هزار و 495 میلیارد تومان"}
+NOTE: «ومهان» = company-01 (same entity). Percent and amount units are INSIDE the token.
+
+EXAMPLE 2 — نام چندکلمه‌ای با مکان:
+INPUT:  شرکت فولاد مبارکه اصفهان EPS این شرکت از 636 ریال به 614 ریال رسید.
+OUTPUT: company-01 EPS این شرکت از amount-01 به amount-02 رسید.
+mapping: {"company-01": "شرکت فولاد مبارکه اصفهان", "amount-01": "636 ریال", "amount-02": "614 ریال"}
+NOTE: «اصفهان» is part of company-01, not left outside. Small ریال amounts ARE anonymized.
+
+EXAMPLE 3 — چند شرکت پارسیان:
+INPUT:  شرکت بیمه پارسیان از شرکت سرمایه گذاری پارسیان 1,429,349 میلیون ریال سود شناسایی کرد. جواد شکرخواه مدیرعامل بانک پارسیان گفت سود خالص 41.5 همت شد.
+OUTPUT: company-01 از company-02 amount-01 سود شناسایی کرد. person-01 مدیرعامل company-03 گفت سود خالص amount-02 شد.
+mapping: {"company-01": "شرکت بیمه پارسیان", "company-02": "شرکت سرمایه گذاری پارسیان", "amount-01": "1,429,349 میلیون ریال", "person-01": "جواد شکرخواه", "company-03": "بانک پارسیان", "amount-02": "41.5 همت"}
+NOTE: Each distinct entity = new token. Units fully inside token.
+
+EXAMPLE 4 — بانک بدون پیشوند شرکت + نام مختصر:
+INPUT:  بانک ملت و بانک پاسارگاد 157 و 155 هزار میلیارد ریال سود داشتند. زیان انباشته 10 درصد افزایش یافت.
+OUTPUT: company-01 و company-02 amount-01 و amount-02 سود داشتند. زیان انباشته percent-01 افزایش یافت.
+mapping: {"company-01": "بانک ملت", "company-02": "بانک پاسارگاد", "amount-01": "157 هزار میلیارد ریال", "amount-02": "155 هزار میلیارد ریال", "percent-01": "10 درصد"}
+NOTE: بانک‌ها without شرکت prefix ARE company-XX. «بانک‌های» (generic plural) is NOT anonymized.
+
+EXAMPLE 5 — نام کوتاه، % علامت، بازه درصد:
+INPUT:  شرکت پتروشیمی بوعلی سینا هزینه لجستیکی 100 میلیون دلار داشت که 14% افزایش یافت. سهم سودهای ارزی به 40–60٪ رسیده است.
+OUTPUT: company-01 هزینه لجستیکی amount-01 داشت که percent-01 افزایش یافت. سهم سودهای ارزی به percent-02–percent-03 رسیده است.
+mapping: {"company-01": "شرکت پتروشیمی بوعلی سینا", "amount-01": "100 میلیون دلار", "percent-01": "14%", "percent-02": "40٪", "percent-03": "60٪"}
+NOTE: Later «بوعلی» = company-01. «14%» IS percent (% = درصد).
+
+EXAMPLE 6 — زیرمجموعه و حسابرس:
+INPUT:  وانیا نیک تدبیر به عنوان بازرس قانونی انتخاب شد. بانک سرمایه زیان منفی 345 درصد داشت.
+OUTPUT: company-01 به عنوان بازرس قانونی انتخاب شد. company-02 زیان منفی percent-01 داشت.
+mapping: {"company-01": "وانیا نیک تدبیر", "company-02": "بانک سرمایه", "percent-01": "345 درصد"}
+NOTE: Auditors/subsidiaries ARE company-XX. «منفی» stays outside the token.
+
+=== END EXAMPLES ===
+"""
+
+
+# ─────────────────────────────────────────────────────────────
+# ساخت prompt — یک call، بدون thinking، با few-shot
+# ─────────────────────────────────────────────────────────────
+
+def build_single_call_prompt(text: str, entities: list) -> str:
+    """
+    یک prompt = یک call = anonymized + mapping در JSON
+    /no_think → thinking mode خاموش
+    few-shot examples از باگ‌های واقعی
+    """
+    # فیلتر examples بر اساس entities انتخابی
+    relevant_examples = FEW_SHOT_EXAMPLES
+
+    mapping_hints = []
+    if "person"  in entities: mapping_hints.append('"person-XX": "نام کامل"')
+    if "company" in entities: mapping_hints.append('"company-XX": "نام کامل سازمان"')
+    if "amount"  in entities: mapping_hints.append('"amount-XX": "عدد + واحد کامل"')
+    if "percent" in entities: mapping_hints.append('"percent-XX": "عدد + درصد/% کامل"')
+
+    active = []
+    if "company" in entities: active.append("company-XX (همه سازمان‌ها)")
+    if "person"  in entities: active.append("person-XX (نام اشخاص)")
+    if "amount"  in entities: active.append("amount-XX (اعداد+واحد)")
+    if "percent" in entities: active.append("percent-XX (درصدها)")
+
+    return f"""/no_think
+{relevant_examples}
+
+موجودیت‌های فعال: {' | '.join(active)}
+
+متن زیر را مطابق قوانین و examples بالا ناشناس کن.
+خروجی فقط JSON، بدون هیچ توضیح:
+{{
+  "anonymized": "متن ناشناس شده",
+  "mapping": {{ {", ".join(mapping_hints)} }}
+}}
+
+متن:
+{text}"""
+
+
+def build_analysis_prompt(anonymized_text: str, analysis_prompt: str, entities: list) -> str:
+    tokens = []
+    if "person"  in entities: tokens.append("person-XX")
+    if "company" in entities: tokens.append("company-XX")
+    if "amount"  in entities: tokens.append("amount-XX")
+    if "percent" in entities: tokens.append("percent-XX")
+
+    return f"""متن ناشناس‌سازی شده:
+{anonymized_text}
+
+دستورات:
+{analysis_prompt}
+
+قوانین:
+- فقط از توکن‌های موجود استفاده کن: {', '.join(tokens)}
+- هیچ کلمه‌ای قبل/بعد از توکن‌ها اضافه نکن
+- توکن جدید ایجاد نکن"""
+
+
+# ─────────────────────────────────────────────────────────────
+# توابع کمکی
+# ─────────────────────────────────────────────────────────────
+
+def strip_thinking(text: str) -> str:
+    if not text:
+        return text
+    return re.sub(r"<think>.*?</think>", "", text, flags=re.DOTALL).strip()
+
+
+def parse_json_response(raw: str) -> dict:
+    raw = strip_thinking(raw)
+    raw = re.sub(r"```(?:json)?", "", raw).replace("```", "").strip()
+    start = raw.find("{")
+    end   = raw.rfind("}") + 1
+    if start == -1 or end == 0:
+        raise ValueError("JSON یافت نشد")
+    return json.loads(raw[start:end])
+
+
+def post_deepinfra(prompt: str, system: str, max_tokens: int = 4096) -> str:
+    """
+    DeepInfra Qwen3-14B
+    thinking خاموش: /no_think + chat_template_kwargs
+    """
+    api_key = os.getenv("DEEPINFRA_API_KEY")
+    if not api_key:
+        raise ValueError("DEEPINFRA_API_KEY موجود نیست")
+
+    resp = requests.post(
+        ANON_API_URL,
+        headers={
+            "Authorization": f"Bearer {api_key}",
+            "Content-Type":  "application/json"
+        },
+        json={
+            "model":       ANON_MODEL,
+            "messages":    [
+                {"role": "system", "content": system},
+                {"role": "user",   "content": prompt}
+            ],
+            "max_tokens":  max_tokens,
+            "temperature": 0.1,
+            "chat_template_kwargs": {"enable_thinking": False},
+        },
+        timeout=90
+    )
+
+    if resp.status_code != 200:
+        raise Exception(f"DeepInfra {resp.status_code}: {resp.text[:300]}")
+
+    return strip_thinking(resp.json()["choices"][0]["message"]["content"])
+
+
+# ─────────────────────────────────────────────────────────────
+# کلاس اصلی
+# ─────────────────────────────────────────────────────────────
+class AnonymizerAdvanced:
+
+    def __init__(
+        self,
+        llm_provider: str = "chatgpt",
+        llm_model:    str = None,
+        entities_to_anonymize: List[str] = None
+    ):
+        self.llm_provider = llm_provider
+        self.llm_model    = llm_model
+        self.entities_to_anonymize = entities_to_anonymize or ["person", "company", "amount", "percent"]
+        self.mapping_table:   Dict[str, str] = {}
+        self.reverse_mapping: Dict[str, str] = {}
+        self._create_llm_sender()
+        logger.info(f"✅ Anonymizer — {llm_provider}")
+
+    # ── LLM sender (تحلیل) ──────────────────────────────────
+
+    def _create_llm_sender(self):
+        try:
+            key_map = {
+                "chatgpt":   os.getenv("OPENAI_API_KEY"),
+                "grok":      os.getenv("XAI_API_KEY"),
+                "deepinfra": os.getenv("DEEPINFRA_API_KEY"),
+            }
+            self.llm_sender = create_llm_sender(
+                provider=self.llm_provider,
+                api_key=key_map.get(self.llm_provider),
+                model=self.llm_model
+            )
+            logger.info(f"✅ LLM Sender: {self.llm_provider} — {self.llm_sender.model}")
+        except Exception as e:
+            logger.error(f"❌ LLM Sender خطا: {e}")
+            self.llm_sender = create_llm_sender("chatgpt")
+
+    def set_llm_provider(self, provider: str, model: str = None, entities: List[str] = None):
+        self.llm_provider = provider
+        self.llm_model    = model
+        if entities is not None:
+            self.entities_to_anonymize = entities
+        self._create_llm_sender()
+
+    # ── ناشناس‌سازی — یک call، بدون thinking ──────────────
+
+    def anonymize(self, text: str) -> Tuple[str, Dict]:
+        logger.info("⚡ Qwen3-14B (no-think | single-call | few-shot)...")
+
+        if not self.entities_to_anonymize:
+            return text, {}
+
+        prompt = build_single_call_prompt(text, self.entities_to_anonymize)
+
+        try:
+            raw = post_deepinfra(prompt, ANON_SYSTEM_PROMPT, max_tokens=4096)
+            logger.info(f"✅ پاسخ: {len(raw)} کاراکتر")
+
+            result = parse_json_response(raw)
+            anonymized_text    = result.get("anonymized", "")
+            self.mapping_table = result.get("mapping", {})
+
+            self._clean_orphan_tokens(anonymized_text)
+            self._fix_mapping()
+            self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+
+            for etype in self.entities_to_anonymize:
+                found = sorted(set(re.findall(rf'{etype}-\d+', anonymized_text)))
+                if found:
+                    logger.info(f"  {etype}: {found}")
+
+            logger.info(f"✅ mapping: {len(self.mapping_table)} موجودیت")
+            return anonymized_text, self.mapping_table
+
+        except json.JSONDecodeError as e:
+            logger.warning(f"⚠️ JSON خطا: {e} — fallback")
+            return self._anonymize_fallback(text)
+        except Exception as e:
+            logger.error(f"❌ Exception: {e}")
+            raise
+
+    def _anonymize_fallback(self, text: str) -> Tuple[str, Dict]:
+        """Fallback دو call اگر JSON parse شکست خورد"""
+        logger.info("🔄 fallback: دو call...")
+
+        prompt1 = (
+            f"/no_think\n"
+            f"{FEW_SHOT_EXAMPLES}\n"
+            f"موجودیت‌های فعال: {' | '.join(self.entities_to_anonymize)}\n"
+            f"متن زیر را ناشناس کن، فقط متن ناشناس شده:\n{text}"
+        )
+        anonymized_text = post_deepinfra(prompt1, ANON_SYSTEM_PROMPT, max_tokens=4096)
+
+        hints = []
+        if "person"  in self.entities_to_anonymize: hints.append('"person-XX": "نام کامل"')
+        if "company" in self.entities_to_anonymize: hints.append('"company-XX": "نام کامل سازمان"')
+        if "amount"  in self.entities_to_anonymize: hints.append('"amount-XX": "عدد+واحد"')
+        if "percent" in self.entities_to_anonymize: hints.append('"percent-XX": "عدد+درصد"')
+
+        prompt2 = (
+            f"/no_think\n"
+            f"متن اصلی: {text}\n"
+            f"متن ناشناس: {anonymized_text}\n\n"
+            f"فقط JSON mapping:\n{{ {', '.join(hints)} }}"
+        )
+
+        try:
+            raw2 = post_deepinfra(prompt2, "Output ONLY valid JSON. No explanation.", max_tokens=2048)
+            self.mapping_table = parse_json_response(raw2)
+        except Exception:
+            self._extract_mapping_fallback(text, anonymized_text)
+
+        self._clean_orphan_tokens(anonymized_text)
+        self._fix_mapping()
+        self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+        return anonymized_text, self.mapping_table
+
+    # ── پاک‌سازی mapping ────────────────────────────────────
+
+    def _clean_orphan_tokens(self, anonymized_text: str):
+        to_remove = [t for t in self.mapping_table if t not in anonymized_text]
+        for t in to_remove:
+            logger.info(f"  🗑️ توکن اضافی: {t}")
+            del self.mapping_table[t]
+
+    def _fix_mapping(self):
+        for token, value in list(self.mapping_table.items()):
+            val = str(value).strip()
+            if token.startswith("percent-") and not re.search(r"(درصد|%|٪|درصدی)", val):
+                self.mapping_table[token] = f"{val} درصد"
+                logger.info(f"  اصلاح {token}: '{val}' → '{val} درصد'")
+
+    # ── fallback mapping با regex ────────────────────────────
+
+    def _extract_mapping_fallback(self, original: str, anonymized: str):
+        pats: Dict[str, str] = {}
+        if "person"  in self.entities_to_anonymize:
+            pats["person"]  = r'(?<![ء-یa-zA-Z])[ء-ی]+\s+[ء-ی]+(?:\s+[ء-ی]+)*(?![ء-یa-zA-Z])'
+        if "company" in self.entities_to_anonymize:
+            pats["company"] = (
+                r'(?:(?:شرکت|بانک|سازمان|گروه|هلدینگ|صندوق|بیمه|پتروشیمی|ملی|سرمایه\s*گذاری)\s+)'
+                r'[ء-ی][ء-ی\s]+(?:\([ء-یa-zA-Z]+\))?'
+            )
+        if "amount"  in self.entities_to_anonymize:
+            pats["amount"]  = r'[\d۰-۹][,،\d۰-۹]*(?:\.\d+)?\s*(?:هزار\s+و\s+\d+|هزار|میلیون|میلیارد|همت)?\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|دستگاه|تن)?'
+        if "percent" in self.entities_to_anonymize:
+            pats["percent"] = r'[\d۰-۹]+(?:\.\d+)?\s*(?:درصد|%|٪|درصدی)'
+
+        orig_entities = {
+            etype: [m.strip() for m in re.findall(pat, original) if m.strip()]
+            for etype, pat in pats.items()
+        }
+
+        for etype in self.entities_to_anonymize:
+            tokens = sorted(set(re.findall(rf'{etype}-(\d+)', anonymized)), key=int)
+            values = orig_entities.get(etype, [])
+            for tok_num in tokens:
+                token = f"{etype}-{tok_num}"
+                idx   = int(tok_num) - 1
+                self.mapping_table[token] = values[idx] if idx < len(values) else (values[-1] if values else token)
+
+        self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+        logger.info(f"✅ Fallback mapping: {len(self.mapping_table)} موجودیت")
+
+    # ── تحلیل LLM ───────────────────────────────────────────
+
+    def analyze_with_llm(self, anonymized_text: str, analysis_prompt: str = None) -> str:
+        logger.info(f"🤖 {self.llm_provider.upper()} تحلیل...")
+
+        if not analysis_prompt or not analysis_prompt.strip():
+            return "⚠️ هیچ دستور تحلیل داده نشده است"
+
+        prompt = build_analysis_prompt(anonymized_text, analysis_prompt, self.entities_to_anonymize)
+        try:
+            response = self.llm_sender.send(prompt, lang="fa", temperature=0.2, max_tokens=2000)
+            logger.info(f"✅ {self.llm_provider.upper()}: {len(response)} کاراکتر")
+            return response
+        except Exception as e:
+            logger.error(f"❌ {self.llm_provider.upper()} Exception: {e}")
+            return f"❌ خطا: {str(e)}"
+
+    # ── بازگردانی ────────────────────────────────────────────
+
+    def restore_text(self, anonymized_text: str) -> str:
+        logger.info("🔄 بازگردانی...")
+
+        if not self.mapping_table:
+            return anonymized_text
+
+        restored = self._normalize_tokens(anonymized_text)
+        count = 0
+
+        for placeholder, original in sorted(
+            self.mapping_table.items(), key=lambda x: len(x[0]), reverse=True
+        ):
+            if placeholder in restored:
+                restored = restored.replace(placeholder, original)
+                count += 1
+                logger.info(f"  ✅ {placeholder} → {original[:40]}")
+            else:
+                logger.warning(f"  ⚠️ {placeholder} یافت نشد")
+
+        logger.info(f"✅ {count}/{len(self.mapping_table)} توکن بازگردانی شد")
+
+        if count < len(self.mapping_table):
+            restored = self._restore_with_regex(restored)
+
+        return restored
+
+    def _normalize_tokens(self, text: str) -> str:
+        normalized = text
+        unicode_hyphens = r'[\u2010\u2011\u2012\u2013\u2014\u2212]'
+        for etype in self.entities_to_anonymize:
+            normalized = re.sub(rf'{etype}{unicode_hyphens}(\d+)', rf'{etype}-\1', normalized)
+            normalized = re.sub(rf'{etype}\s+-\s+(\d+)',            rf'{etype}-\1', normalized)
+            normalized = re.sub(rf'({etype}-\d+)([ء-ی])',           r'\1 \2',       normalized)
+            normalized = re.sub(rf'({etype}-\d+)([،؛:.!?])',        r'\1 \2',       normalized)
+        return normalized
+
+    def _restore_with_regex(self, text: str) -> str:
+        restored = text
+        for placeholder, original in self.mapping_table.items():
+            if placeholder not in restored:
+                continue
+            etype, num = placeholder.split("-")
+            if re.search(rf'{etype}\s*-\s*{num}', restored):
+                restored = re.sub(rf'{etype}\s*-\s*{num}', original, restored)
+                logger.info(f"  ✅ regex: {placeholder} → {original[:40]}")
+        return restored
+
+    def get_mapping_table_md(self) -> str:
+        if not self.mapping_table:
+            return "### 📋 جدول نگاشت\n\nهیچ موجودیتی شناسایی نشد"
+        table = "### 📋 جدول نگاشت\n\n| شناسه | متن اصلی |\n|-------|----------|\n"
+        for token, original in sorted(self.mapping_table.items()):
+            table += f"| **{token}** | {original} |\n"
+        return table
+
+
+# ─────────────────────────────────────────────────────────────
+# متغیر سراسری
+# ─────────────────────────────────────────────────────────────
+anonymizer: Optional[AnonymizerAdvanced] = None
+
+
+# ─────────────────────────────────────────────────────────────
+# تابع اصلی
+# ─────────────────────────────────────────────────────────────
+def process(
+    input_text: str,
+    analysis_prompt: str,
+    llm_provider: str,
+    llm_model: str,
+    anonymize_all: bool,
+    anonymize_person: bool,
+    anonymize_company: bool,
+    anonymize_amount: bool,
+    anonymize_percent: bool
+):
+    global anonymizer
+
+    if not input_text.strip():
+        return "", "", "", ""
+
+    entities = ["person", "company", "amount", "percent"] if anonymize_all else [
+        e for e, flag in [
+            ("person",  anonymize_person),
+            ("company", anonymize_company),
+            ("amount",  anonymize_amount),
+            ("percent", anonymize_percent),
+        ] if flag
+    ]
+
+    if not entities:
+        return "", "❌ لطفاً حداقل یک موجودیت انتخاب کنید", "", ""
+
+    if not anonymizer:
+        anonymizer = AnonymizerAdvanced(
+            llm_provider=llm_provider,
+            llm_model=llm_model,
+            entities_to_anonymize=entities
+        )
+    else:
+        anonymizer.set_llm_provider(llm_provider, llm_model, entities)
+        anonymizer.mapping_table   = {}
+        anonymizer.reverse_mapping = {}
+
+    try:
+        logger.info("=" * 60)
+        logger.info(f"⚡ Qwen3-14B (no-think | single-call | few-shot)")
+        logger.info(f"🤖 تحلیل: {llm_provider} ({llm_model})")
+        logger.info(f"🎯 موجودیت‌ها: {entities}")
+        logger.info("=" * 60)
+
+        anon_text, _ = anonymizer.anonymize(input_text)
+
+        has_analysis = bool(analysis_prompt and analysis_prompt.strip())
+        llm_response = anonymizer.analyze_with_llm(anon_text, analysis_prompt) if has_analysis \
+                       else "⚠️ هیچ دستور تحلیل داده نشده است"
+
+        source   = llm_response if has_analysis else anon_text
+        restored = anonymizer.restore_text(source)
+
+        return restored, llm_response, anon_text, anonymizer.get_mapping_table_md()
+
+    except Exception as e:
+        logger.error(f"❌ خطا: {e}", exc_info=True)
+        return "", f"❌ خطا: {str(e)}", "", ""
+
+
+def clear_all():
+    return "", "", "", "", "", "", True, False, False, False, False
+
+
+# ─────────────────────────────────────────────────────────────
+# رابط کاربری Gradio
+# ─────────────────────────────────────────────────────────────
+css_rtl = """
+.textbox textarea { direction: rtl; text-align: right; font-family: 'Tahoma', serif; }
+.input-box { direction: rtl; text-align: right; }
+.compact-checkbox label { padding: 5px 10px !important; font-size: 0.95em !important; }
+"""
+
+with gr.Blocks(title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft(), css=css_rtl) as app:
+
+    gr.Markdown(
+        "# 🔐 پلتفرم ناشناس‌سازی متون فارسی\n"
+        "> ⚡ **Qwen3-14B** بدون thinking — یک call — few-shot examples",
+        elem_classes="input-box"
+    )
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            with gr.Group():
+                gr.Markdown("### ⚙️ مدل تحلیل", elem_classes="input-box")
+                llm_provider = gr.Dropdown(
+                    choices=["chatgpt", "grok", "deepinfra"],
+                    value="chatgpt", label="🤖 مدل زبانی تحلیل", interactive=True
+                )
+                llm_model = gr.Dropdown(
+                    choices=AVAILABLE_MODELS["chatgpt"],
+                    value="gpt-4o-mini", label="📦 نسخه مدل", interactive=True
+                )
+
+        with gr.Column(scale=1):
+            with gr.Group():
+                gr.Markdown("### 🎯 موجودیت‌های ناشناس‌سازی", elem_classes="input-box")
+                anonymize_all     = gr.Checkbox(label="✅ همه",          value=True,  elem_classes="compact-checkbox")
+                anonymize_person  = gr.Checkbox(label="👤 اشخاص",        value=False, elem_classes="compact-checkbox")
+                anonymize_company = gr.Checkbox(label="🏢 سازمان‌ها",    value=False, elem_classes="compact-checkbox")
+                anonymize_amount  = gr.Checkbox(label="💰 ارقام مالی",   value=False, elem_classes="compact-checkbox")
+                anonymize_percent = gr.Checkbox(label="📊 درصدها",        value=False, elem_classes="compact-checkbox")
+
+    gr.Markdown("---")
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            gr.Markdown("### 📋 دستورات تحلیل (اختیاری)", elem_classes="input-box")
+            analysis_prompt = gr.Textbox(
+                lines=20, placeholder="مثال: این متن را خلاصه کن",
+                label="", elem_classes="textbox"
+            )
+        with gr.Column(scale=1):
+            gr.Markdown("### 📝 متن ورودی", elem_classes="input-box")
+            input_text = gr.Textbox(
+                lines=20, placeholder="متن فارسی را وارد کنید...",
+                label="", elem_classes="textbox"
+            )
+
+    with gr.Row():
+        process_btn = gr.Button("▶️ پردازش", variant="primary", size="lg", scale=2)
+        clear_btn   = gr.Button("🗑️ پاک کردن", variant="stop",  size="lg", scale=1)
+
+    gr.Markdown("## 📊 نتایج", elem_classes="input-box")
+
+    with gr.Row():
+        restored_text     = gr.Textbox(lines=12, label="✅ متن بازگردانی شده", interactive=False, elem_classes="textbox")
+        llm_analysis      = gr.Textbox(lines=12, label="🤖 تحلیل LLM",         interactive=False, elem_classes="textbox")
+        anonymized_output = gr.Textbox(lines=12, label="🔒 متن ناشناس‌شده",    interactive=False, elem_classes="textbox")
+
+    mapping_table = gr.Markdown("### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده", elem_classes="input-box")
+
+    def handle_provider_change(provider):
+        models = AVAILABLE_MODELS.get(provider, [])
+        return gr.update(choices=models, value=models[0] if models else None)
+
+    llm_provider.change(fn=handle_provider_change, inputs=[llm_provider], outputs=[llm_model])
+
+    def handle_select_all(select_all):
+        s = gr.update(value=False, interactive=not select_all)
+        return s, s, s, s
+
+    anonymize_all.change(
+        fn=handle_select_all, inputs=[anonymize_all],
+        outputs=[anonymize_person, anonymize_company, anonymize_amount, anonymize_percent]
+    )
+
+    process_btn.click(
+        fn=process,
+        inputs=[
+            input_text, analysis_prompt, llm_provider, llm_model,
+            anonymize_all, anonymize_person, anonymize_company, anonymize_amount, anonymize_percent
+        ],
+        outputs=[restored_text, llm_analysis, anonymized_output, mapping_table]
+    )
+
+    clear_btn.click(
+        fn=clear_all,
+        outputs=[
+            input_text, analysis_prompt, restored_text, llm_analysis,
+            anonymized_output, mapping_table,
+            anonymize_all, anonymize_person, anonymize_company, anonymize_amount, anonymize_percent
+        ]
+    )
+
+
+if __name__ == "__main__":
+    print("=" * 60)
+    print("⚡ Qwen3-14B | no-think | single-call | few-shot")
+    print("=" * 60)
+    app.launch(server_name="0.0.0.0", server_port=7860, share=False, show_error=True)