Delete app.py

app.py

@@ -1,768 +0,0 @@
-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",
-    ]
-}
-
-# ─────────────────────────────────────────────────────────────
-# SYSTEM PROMPT — فشرده، رفع باگ bank-XX و شرکت-01
-# ─────────────────────────────────────────────────────────────
-DEEPINFRA_SYSTEM_PROMPT = """You are a Persian text anonymizer. Output ONLY anonymized text with NO explanation.
-
-TOKENS: company-01/02/03... | person-01/02/03... | amount-01/02/03... | percent-01/02/03...
-
-RULES:
-- ALL organizations → company-XX (banks, funds, auditors, any named entity)
-- NEVER: bank-01, org-01, شرکت-01, بانک-01 (only company-XX in English)
-- Same entity = same token. New entity = new token. Sequential numbering.
-- Keep non-sensitive words exactly as-is."""
-
-
-# ─────────────────────────────────────────────────────────────
-# توابع ساخت prompt
-# ─────────────────────────────────────────────────────────────
-
-def build_anonymization_prompt(text: str, entities: list) -> str:
-    """
-    ساخت prompt ناشناس‌سازی — dynamic و فشرده
-    باگ‌های رفع‌شده:
-    - نام‌های بدون پیشوند (ایران خودرو، تیپیکو)
-    - bank-XX / شرکت-01
-    - اعداد خالص (P/E=4، 3.2 واحد)
-    - درصد range → دو توکن جداگانه
-    - واحد پولی در متن حفظ می‌شود
-    """
-    lines = []
-
-    if "company" in entities:
-        lines.append(
-            "company-XX → ALL org names (شرکت/بانک/صندوق/هلدینگ/حسابرس)\n"
-            "  • نام‌های بدون پیشوند هم ناشناس شوند: ایران خودرو→company-01, تیپیکو→company-02"
-        )
-
-    if "person" in entities:
-        lines.append("person-XX → نام و نام‌خانوادگی اشخاص حقیقی")
-
-    if "amount" in entities:
-        lines.append(
-            "amount-XX → عدد + واحد پولی/اندازه‌گیری را کاملاً با هم جایگزین کن\n"
-            "  • «۳۵۰۰ هزار میلیارد ریال» → amount-01  (واحد داخل توکن)\n"
-            "  • «۷ میلیارد تومان» → amount-02  (واحد داخل توکن)\n"
-            "  • «۵۳۷ هزار و ۷۳۶ دستگاه» → amount-03  (واحد داخل توکن)\n"
-            "  • «P/E به 4 رسید» → P/E به amount-04 رسید  (عدد بدون واحد)\n"
-            "  ❌ غلط: «amount-01 میلیارد ریال» — واحد نباید بیرون توکن بماند"
-        )
-
-    if "percent" in entities:
-        lines.append(
-            "percent-XX → عدد + کلمه درصد/٪ را کاملاً با هم جایگزین کن\n"
-            "  • «۴.۵۸ درصد» → percent-01  (کلمه درصد داخل توکن)\n"
-            "  • «۱۳۲۳ درصد» → percent-02\n"
-            "  • «50 الی 70 درصد» → percent-03 الی percent-04  ← دو توکن مجزا\n"
-            "  • «40–60٪» → percent-05–percent-06  ← دو توکن مجزا\n"
-            "  • «منفی 345 درصد» → منفی percent-07\n"
-            "  ❌ غلط: «percent-01 درصد» — کلمه درصد نباید بیرون توکن بماند"
-        )
-
-    lines.append("اعداد سال (1402، 1403) و اعداد ترتیبی (12 بانک، سه شرکت) را ناشناس نکن")
-
-    rules = "\n".join(lines)
-
-    return f"""متن زیر را طبق قوانین ناشناس کن. فقط متن ناشناس شده را بده، بدون توضیح.
-
-{rules}
-
-متن:
-{text}"""
-
-
-def build_mapping_prompt(original: str, anonymized: str, entities: list) -> str:
-    """ساخت prompt mapping — فشرده"""
-    type_hints = []
-    if "person"  in entities: type_hints.append('person-XX: "نام کامل"')
-    if "company" in entities: type_hints.append('company-XX: "نام کامل سازمان"')
-    if "amount"  in entities: type_hints.append('amount-XX: "عدد + واحد کامل مثل ۳۵۰۰ هزار میلیارد ریال"')
-    if "percent" in entities: type_hints.append('percent-XX: "عدد + درصد مثل ۴.۵۸ درصد"')
-
-    hints = " | ".join(type_hints)
-
-    return f"""متن اصلی: {original}
-متن ناشناس: {anonymized}
-
-JSON mapping (فقط JSON، بدون توضیح):
-فرمت: {{ "token": "مقدار_اصلی" }}
-راهنما: {hints}"""
-
-
-def build_analysis_prompt(anonymized_text: str, analysis_prompt: str, entities: list) -> str:
-    """ساخت prompt تحلیل LLM — یکپارچه برای همه مدل‌ها"""
-    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")
-    tokens_str = ", ".join(tokens)
-
-    return f"""متن ناشناس‌سازی شده:
-{anonymized_text}
-
-دستورات:
-{analysis_prompt}
-
-قوانین:
-- فقط از توکن‌های موجود استفاده کن: {tokens_str}
-- هیچ کلمه‌ای قبل/بعد از توکن‌ها اضافه نکن
-- توکن جدید ایجاد نکن"""
-
-
-# ─────────────────────────────────────────────────────────────
-# تابع کمکی: حذف بلوک‌های think از Qwen3
-# ─────────────────────────────────────────────────────────────
-def strip_thinking(text: str) -> str:
-    if not text:
-        return text
-    cleaned = re.sub(r"<think>.*?</think>", "", text, flags=re.DOTALL)
-    return cleaned.strip()
-
-
-# ─────────────────────────────────────────────────────────────
-# کلاس اصلی
-# ─────────────────────────────────────────────────────────────
-class AnonymizerAdvanced:
-
-    def __init__(
-        self,
-        deepinfra_key: str = None,
-        llm_provider: str = "chatgpt",
-        llm_model: str = None,
-        entities_to_anonymize: List[str] = None
-    ):
-        self.deepinfra_key = deepinfra_key or os.getenv("DEEPINFRA_API_KEY")
-        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 مقداردهی شد — {llm_provider}")
-
-    # ── LLM sender ──────────────────────────────────────────
-
-    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"),
-            }
-            api_key = key_map.get(self.llm_provider)
-            self.llm_sender = create_llm_sender(
-                provider=self.llm_provider,
-                api_key=api_key,
-                model=self.llm_model
-            )
-            logger.info(f"✅ LLM Sender: {self.llm_provider} — {self.llm_sender.model}")
-        except Exception as e:
-            logger.error(f"❌ خطا در ایجاد LLM Sender: {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()
-        logger.info(f"✅ LLM تغییر یافت: {provider} — {model}")
-
-    # ── ناشناس‌سازی با DeepInfra ──────────────────────────
-
-    def anonymize_with_deepinfra(self, text: str) -> Tuple[str, Dict]:
-        logger.info("🧠 ناشناس‌سازی با DeepInfra...")
-
-        if not self.deepinfra_key:
-            raise ValueError("DeepInfra API Key مورد نیاز است")
-
-        if not self.entities_to_anonymize:
-            logger.warning("⚠️ هیچ موجودیتی انتخاب نشده")
-            return text, {}
-
-        headers = {
-            "Authorization": f"Bearer {self.deepinfra_key}",
-            "Content-Type": "application/json"
-        }
-
-        try:
-            # ── مرحله ۱: ناشناس‌سازی ────────────────────────
-            prompt1 = build_anonymization_prompt(text, self.entities_to_anonymize)
-
-            resp1 = requests.post(
-                "https://api.deepinfra.com/v1/openai/chat/completions",
-                headers=headers,
-                json={
-                    "model": "Qwen/Qwen3-14B",
-                    "messages": [
-                        {"role": "system", "content": DEEPINFRA_SYSTEM_PROMPT},
-                        {"role": "user",   "content": prompt1}
-                    ],
-                    "max_tokens": 4096,
-                    "temperature": 0.1
-                },
-                timeout=90
-            )
-
-            if resp1.status_code != 200:
-                raise Exception(f"DeepInfra API Error: {resp1.status_code} — {resp1.text[:200]}")
-
-            anonymized_text = strip_thinking(
-                resp1.json()["choices"][0]["message"]["content"]
-            )
-            logger.info("✅ ناشناس‌سازی موفق")
-
-            # debug: توکن‌های موجود
-            for etype in self.entities_to_anonymize:
-                found = sorted(set(re.findall(rf'{etype}-\d+', anonymized_text)))
-                logger.info(f"  {etype}: {found}")
-
-            # ── مرحله ۲: استخراج mapping ────────────────────
-            prompt2 = build_mapping_prompt(text, anonymized_text, self.entities_to_anonymize)
-
-            resp2 = requests.post(
-                "https://api.deepinfra.com/v1/openai/chat/completions",
-                headers=headers,
-                json={
-                    "model": "Qwen/Qwen3-14B",
-                    "messages": [
-                        {"role": "system", "content": DEEPINFRA_SYSTEM_PROMPT},
-                        {"role": "user",   "content": prompt2}
-                    ],
-                    "max_tokens": 2048,
-                    "temperature": 0.1
-                },
-                timeout=60
-            )
-
-            if resp2.status_code == 200:
-                raw = strip_thinking(resp2.json()["choices"][0]["message"]["content"])
-                # پاک‌سازی fence های markdown
-                raw = re.sub(r"```(?:json)?", "", raw).replace("```", "").strip()
-                try:
-                    self.mapping_table = json.loads(raw)
-                    self._fix_mapping()
-                    self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
-                    logger.info(f"✅ Mapping: {len(self.mapping_table)} موجودیت")
-                except json.JSONDecodeError:
-                    logger.warning("⚠️ JSON mapping خطا — fallback")
-                    self._extract_mapping_fallback(text, anonymized_text)
-            else:
-                logger.warning("⚠️ mapping API خطا — fallback")
-                self._extract_mapping_fallback(text, anonymized_text)
-
-            return anonymized_text, self.mapping_table
-
-        except Exception as e:
-            logger.error(f"❌ DeepInfra Exception: {e}")
-            raise
-
-    # ── اصلاح mapping ────────────────────────────────────────
-
-    def _fix_mapping(self):
-        """اطمینان از کامل بودن مقادیر percent در mapping"""
-        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):
-        """
-        استخراج mapping با regex — وقتی JSON mapping شکست خورد
-        باگ رفع‌شده: \b برای فارسی کار نمی‌کند → از lookahead/lookbehind استفاده شد
-        """
-        # الگوهای موجودیت
-        patterns: Dict[str, str] = {}
-        if "person" in self.entities_to_anonymize:
-            # lookahead/lookbehind به جای \b برای فارسی
-            patterns["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:
-            patterns["company"] = (
-                r'(?:(?:شرکت|بانک|سازمان|گروه|هلدینگ|صندوق)\s+)?'
-                r'[ء-ی][ء-ی\s]+(?:تومان|ریال|دلار)?\s*(?=[\s،؛.!?]|$)'
-            )
-        if "amount" in self.entities_to_anonymize:
-            patterns["amount"] = (
-                r'[\d۰-۹][,،\d۰-۹]*(?:\.\d+)?'
-                r'\s*(?:هزار\s+و\s+\d+|هزار|میلیون|میلیارد|همت|تن|دستگاه)?'
-                r'\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|دستگاه|تن|واحد)?'
-            )
-        if "percent" in self.entities_to_anonymize:
-            patterns["percent"] = r'[\d۰-۹]+(?:\.\d+)?\s*(?:درصد|%|درصدی)'
-
-        # استخراج موجودیت‌های اصلی
-        original_entities: Dict[str, List[str]] = {}
-        for etype, pat in patterns.items():
-            matches = re.findall(pat, original)
-            original_entities[etype] = [m.strip() for m in matches if m.strip()]
-
-        # ربط توکن → مقدار اصلی
-        for etype in self.entities_to_anonymize:
-            tokens = sorted(
-                set(re.findall(rf'{etype}-(\d+)', anonymized)),
-                key=lambda x: int(x)
-            )
-            values = original_entities.get(etype, [])
-            for tok_num in tokens:
-                token = f"{etype}-{tok_num}"
-                idx = int(tok_num) - 1
-                if idx < len(values):
-                    self.mapping_table[token] = values[idx]
-                elif values:
-                    self.mapping_table[token] = values[-1]
-
-        self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
-        logger.info(f"✅ Fallback mapping: {len(self.mapping_table)} موجودیت")
-
-    # ── تحلیل با 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 در ارتباط با {self.llm_provider.upper()}: {str(e)}"
-
-    # ── بازگردانی متن ────────────────────────────────────────
-
-    def restore_text(self, anonymized_text: str) -> str:
-        """
-        بازگردانی متن
-        باگ‌های رفع‌شده:
-        - حذف _clean_for_restore مخرب
-        - اصلاح _restore_with_regex (text → restored)
-        """
-        logger.info("🔄 بازگردانی متن...")
-
-        if not self.mapping_table:
-            logger.warning("⚠️ جدول نگاشت خالی")
-            return anonymized_text
-
-        # STEP 1: normalize توکن‌ها
-        restored = self._normalize_tokens(anonymized_text)
-
-        # STEP 2: جایگزینی طولانی‌ترین توکن‌ها اول (greedy)
-        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")
-
-        # STEP 3: fallback regex برای توکن‌های باقی‌مانده
-        remaining = [p for p in self.mapping_table if p in restored]
-        if remaining:
-            logger.info(f"🔍 fallback برای {len(remaining)} توکن باقی‌مانده...")
-            restored = self._restore_with_regex(restored)
-
-        return restored
-
-    def _normalize_tokens(self, text: str) -> str:
-        """
-        نرمال‌سازی توکن‌ها:
-        - hyphen های یونیکد → hyphen معمولی
-        - فاصله داخل توکن حذف می‌شود
-        - کلمات فارسی چسبیده به توکن جدا می‌شوند
-        """
-        normalized = text
-        unicode_hyphens = r'[\u2010\u2011\u2012\u2013\u2014\u2212]'
-
-        for etype in self.entities_to_anonymize:
-            # hyphen های یونیکد
-            normalized = re.sub(
-                rf'{etype}{unicode_hyphens}(\d+)',
-                rf'{etype}-\1',
-                normalized
-            )
-            # فاصله اضافی داخل توکن
-            normalized = re.sub(
-                rf'{etype}\s+-\s+(\d+)',
-                rf'{etype}-\1',
-                normalized
-            )
-
-        # کلمه فارسی چسبیده به توکن
-        for etype in self.entities_to_anonymize:
-            normalized = re.sub(
-                rf'({etype}-\d+)([ء-ی])',
-                r'\1 \2',
-                normalized
-            )
-            # نشانه‌گذاری چسبیده
-            normalized = re.sub(
-                rf'({etype}-\d+)([،؛:.!?])',
-                r'\1 \2',
-                normalized
-            )
-
-        return normalized
-
-    def _restore_with_regex(self, text: str) -> str:
-        """
-        fallback برای توکن‌هایی که با replace ساده پیدا نشدند
-        باگ رفع‌شده:
-        - بررسی روی `restored` (نه `text` ثابت)
-        - فقط توکن داخل match جایگزین می‌شود نه کل عبارت
-        """
-        restored = text
-
-        for placeholder, original in self.mapping_table.items():
-            if placeholder not in restored:
-                continue  # قبلاً restore شده یا نیست
-
-            etype = placeholder.split("-")[0]
-            num   = placeholder.split("-")[1]
-
-            # فقط فاصله اضافی داخل توکن را پوشش می‌دهیم
-            pattern = rf'{etype}\s*-\s*{num}'
-            if re.search(pattern, restored):
-                restored = re.sub(pattern, original, restored)
-                logger.info(f"  ✅ regex restore: {placeholder} → {original[:40]}")
-
-        return restored
-
-    # ── جدول نگاشت Markdown ──────────────────────────────────
-
-    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"
-        table += "| شناسه | متن اصلی |\n"
-        table += "|-------|----------|\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 پردازش
-# ─────────────────────────────────────────────────────────────
-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 "", "", "", ""
-
-    # ساخت لیست موجودیت‌ها
-    if anonymize_all:
-        entities = ["person", "company", "amount", "percent"]
-    else:
-        entities = []
-        if anonymize_person:  entities.append("person")
-        if anonymize_company: entities.append("company")
-        if anonymize_amount:  entities.append("amount")
-        if anonymize_percent: entities.append("percent")
-
-    if not entities:
-        return "", "❌ لطفاً حداقل یک موجودیت انتخاب کنید", "", ""
-
-    deepinfra_key = os.getenv("DEEPINFRA_API_KEY")
-
-    # ایجاد یا آپدیت anonymizer
-    if not anonymizer:
-        anonymizer = AnonymizerAdvanced(
-            deepinfra_key,
-            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"🚀 پردازش — {llm_provider} ({llm_model})")
-        logger.info(f"🎯 موجودیت‌ها: {entities}")
-        logger.info("=" * 60)
-
-        # مرحله ۱: ناشناس‌سازی
-        logger.info("🔐 مرحله ۱: ناشناس‌سازی...")
-        anon_text, _ = anonymizer.anonymize_with_deepinfra(input_text)
-
-        # مرحله ۲: تحلیل LLM
-        has_analysis = bool(analysis_prompt and analysis_prompt.strip())
-
-        if has_analysis:
-            logger.info(f"🤖 مرحله ۲: تحلیل {llm_provider.upper()}...")
-            llm_response = anonymizer.analyze_with_llm(anon_text, analysis_prompt)
-        else:
-            llm_response = "⚠️ هیچ دستور تحلیل داده نشده است"
-
-        # مرحله ۳: بازگردانی
-        logger.info("🔄 مرحله ۳: بازگردانی...")
-        source_for_restore = llm_response if has_analysis else anon_text
-        restored = anonymizer.restore_text(source_for_restore)
-
-        # مرحله ۴: جدول نگاشت
-        mapping_str = anonymizer.get_mapping_table_md()
-
-        logger.info("✅ پردازش کامل")
-        return restored, llm_response, anon_text, mapping_str
-
-    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 = """
-.input-box { direction: rtl; text-align: right; }
-.textbox textarea {
-    direction: rtl;
-    text-align: right;
-    font-family: 'Tahoma', serif;
-}
-.thick-divider { border-top: 2px solid #333; margin: 10px 0; }
-.compact-checkbox label {
-    padding: 5px 10px !important;
-    margin: 3px 0 !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 امن چت با مدل‌های متنوع و ناشناس‌سازی داده‌ها",
-                elem_classes="input-box")
-
-    # ── ردیف اول: تنظیمات ──────────────────────────────────
-    with gr.Row():
-        with gr.Column(scale=1):
-            with gr.Group():
-                gr.Markdown("### ⚙️ تنظیمات مدل", elem_classes="input-box")
-                llm_provider = gr.Dropdown(
-                    choices=["chatgpt", "grok", "deepinfra"],
-                    value="chatgpt",
-                    label="🤖 انتخاب مدل زبانی",
-                    interactive=True
-                )
-                llm_model = gr.Dropdown(
-                    choices=AVAILABLE_MODELS["chatgpt"],
-                    value="gpt-4o-mini",
-                    label="📦 انتخاب نسخه مدل",
-                    interactive=True
-                )
-
-        with gr.Column(scale=1):
-            with gr.Group():
-                gr.Markdown("### 🎯 انتخاب موجودیت‌ها", elem_classes="input-box")
-                anonymize_all = gr.Checkbox(
-                    label="✅ همه موجودیت‌ها", value=True,
-                    elem_classes="input-box compact-checkbox"
-                )
-                anonymize_person = gr.Checkbox(
-                    label="👤 اسامی اشخاص", value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-                anonymize_company = gr.Checkbox(
-                    label="🏢 نام شرکت‌ها", value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-                anonymize_amount = gr.Checkbox(
-                    label="💰 ارقام مالی", value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-                anonymize_percent = gr.Checkbox(
-                    label="📊 درصدها", value=False,
-                    elem_classes="input-box compact-checkbox"
-                )
-
-    gr.Markdown("---", elem_classes="thick-divider")
-
-    # ── ردیف دوم: ورودی ────────────────────────────────────
-    with gr.Row():
-        with gr.Column(scale=1):
-            gr.Markdown("### 📋 دستورات پردازش", elem_classes="input-box")
-            analysis_prompt = gr.Textbox(
-                lines=22,
-                placeholder="مثال: این متن را خلاصه کن\nیا: نکات کلیدی را استخراج کن",
-                label="📋 دستورات LLM (اختیاری)",
-                elem_classes="textbox"
-            )
-
-        with gr.Column(scale=1):
-            gr.Markdown("### 📝 متن ورودی", elem_classes="input-box")
-            input_text = gr.Textbox(
-                lines=22,
-                placeholder="متن مالی/خبری را وارد کنید...",
-                label="",
-                elem_classes="textbox"
-            )
-
-    # ── دکمه‌ها ─────────────────────────────────────────────
-    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)
-
-    # ── نتایج ────────────────────────────────────────────────
-    gr.Markdown("## 📊 نتایج پردازش", elem_classes="input-box")
-
-    with gr.Row():
-        with gr.Column(scale=1):
-            restored_text = gr.Textbox(
-                lines=12, label="✅ متن بازگردانی شده",
-                interactive=False, elem_classes="textbox"
-            )
-        with gr.Column(scale=1):
-            llm_analysis = gr.Textbox(
-                lines=12, label="🤖 تحلیل LLM",
-                interactive=False, elem_classes="textbox"
-            )
-        with gr.Column(scale=1):
-            anonymized_output = gr.Textbox(
-                lines=12, label="🔒 متن ناشناس‌شده",
-                interactive=False, elem_classes="textbox"
-            )
-
-    mapping_table = gr.Markdown(
-        value="### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",
-        label="📋 جدول نگاشت",
-        elem_classes="input-box"
-    )
-
-    # ── Event handlers ────────────────────────────────────────
-
-    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):
-        state = gr.update(value=False, interactive=not select_all)
-        return state, state, state, state
-
-    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("=" * 70)
-    print("🚀 سیستم ناشناس‌سازی در حال راه‌اندازی...")
-    print("=" * 70)
-    app.launch(
-        server_name="0.0.0.0",
-        server_port=7860,
-        share=False,
-        show_error=True
-    )