Upload app_fixed_v6_CEREBRAS_FIX.py

app_fixed_v6_CEREBRAS_FIX.py

@@ -0,0 +1,1141 @@
+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
+
+# ✅ مدل‌های موجود - به‌روزرسانی نوامبر 2024
+AVAILABLE_MODELS = {
+    "chatgpt": [
+        # GPT-5 Series (جدیدترین)
+        "gpt-5.1",           # بهترین برای کدنویسی و وظایف agentic
+        "gpt-5",             # مدل reasoning قبلی
+        # GPT-4 Series
+        "gpt-4.1",           # هوشمندترین non-reasoning
+        "gpt-4o",            # قدرتمند
+        "gpt-4o-mini",       # سریع و ارزان
+        "gpt-4-turbo",       # سریع‌تر از GPT-4
+    ],
+    "grok": [
+        # Grok-4 Series (جدیدترین)
+        "grok-4-fast-reasoning",      # سریع با reasoning
+        "grok-4-fast-non-reasoning",  # سریع بدون reasoning
+        "grok-4-0709",                # نسخه پایدار
+        # Grok-3 Series
+        "grok-3",                     # قدرتمند
+        "grok-3-mini",                # سبک
+        # Grok-2 Series
+        "grok-2-vision-1212",         # با قابلیت بینایی
+        "grok-2-1212",                # نسخه پایدار
+        "grok-2"                      # نسخه قدیمی
+    ]
+}
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+class AnonymizerAdvanced:
+    """ناشناس‌ساز پیشرفته با روش‌های متعدد"""
+    
+    def __init__(
+        self, 
+        cerebras_key: str = None, 
+        llm_provider: str = "chatgpt", 
+        llm_model: str = None,
+        entities_to_anonymize: List[str] = None
+    ):
+        self.cerebras_key = cerebras_key or os.getenv("CEREBRAS_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 = {}
+        self.reverse_mapping = {}
+        
+        # ایجاد LLM sender
+        self._create_llm_sender()
+        
+        logger.info(f"✅ Anonymizer Advanced مقداردهی شد با {llm_provider}")
+    
+    def _create_llm_sender(self):
+        """ایجاد LLM sender مناسب"""
+        try:
+            # ✅ همیشه از Hugging Face Secrets استفاده کن
+            if self.llm_provider == "chatgpt":
+                api_key = os.getenv("OPENAI_API_KEY")
+                logger.info("🔑 استفاده از OPENAI_API_KEY از Secrets")
+            elif self.llm_provider == "grok":
+                api_key = os.getenv("XAI_API_KEY")
+                logger.info("🔑 استفاده از XAI_API_KEY از Secrets")
+            else:
+                api_key = None
+                logger.warning("⚠️ Provider ناشناخته")
+            
+            # ایجاد sender
+            self.llm_sender = create_llm_sender(
+                provider=self.llm_provider,
+                api_key=api_key,
+                model=self.llm_model
+            )
+            
+            logger.info(f"✅ LLM Sender ایجاد شد: {self.llm_provider} - {self.llm_sender.model}")
+            
+        except Exception as e:
+            logger.error(f"❌ خطا در ایجاد LLM Sender: {e}")
+            # fallback to ChatGPT
+            self.llm_sender = create_llm_sender("chatgpt")
+
+    def set_llm_provider(self, provider: str, model: str = None, entities: List[str] = None):
+        """تغییر provider و مدل LLM و موجودیت‌های ناشناس‌سازی"""
+        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 به: {provider} - {model}")
+        logger.info(f"✅ موجودیت‌های ناشناس‌سازی: {self.entities_to_anonymize}")
+
+    def anonymize_with_cerebras(self, text: str) -> Tuple[str, Dict]:
+        """ناشناس‌سازی با Cerebras - بر اساس موجودیت‌های انتخابی"""
+        logger.info("🧠 روش Cerebras...")
+        
+        if not self.cerebras_key:
+            logger.error("❌ Cerebras API Key موجود نیست")
+            raise ValueError("Cerebras API Key مورد نیاز است")
+        
+        # ✅ ساخت دستورات بر اساس موجودیت‌های انتخابی
+        instructions = []
+        instruction_number = 1
+        
+        if "person" in self.entities_to_anonymize:
+            instructions.append(f"{instruction_number}. اسامی اشخاص → person-01, person-02, ...")
+            instruction_number += 1
+        
+        if "company" in self.entities_to_anonymize:
+            instructions.append(f"{instruction_number}. نام شرکت‌ها/سازمان‌ها → company-01, company-02, ...")
+            instruction_number += 1
+        
+        if "amount" in self.entities_to_anonymize:
+            instructions.append(f"{instruction_number}. اعداد و ارقام و مبالغ (مثل: 50 میلیارد، 100 هزار، 25.5 میلیون، ۳۰۰ دستگاه) → amount-01, amount-02, ...")
+            instruction_number += 1
+        
+        if "percent" in self.entities_to_anonymize:
+            instructions.append(f"{instruction_number}. درصدها → percent-01, percent-02, ...")
+            instruction_number += 1
+        
+        # اگه هیچی انتخاب نشده، متن رو همون‌طور برگردون
+        if not instructions:
+            logger.warning("⚠️ هیچ موجودیتی برای ناشناس‌سازی انتخاب نشده!")
+            return text, {}
+        
+        instructions_text = "\n".join(instructions)
+        instructions_text += f"\n{instruction_number}. فقط این توکن‌ها استفاده کنید"
+        instructions_text += f"\n{instruction_number + 1}. شماره‌های نسخه را درست حفظ کنید"
+        instructions_text += f"\n{instruction_number + 2}. اگر موجودیت تکرار شود از شماره قدیمی استفاده کنید"
+        
+        try:
+            # مرحله 1: ناشناس‌سازی متن
+            # ✅ ساخت مثال برای amount (اگر انتخاب شده)
+            example_text = ""
+            if "amount" in self.entities_to_anonymize:
+                example_text = """
+مثال:
+متن اصلی: "فروش 50 میلیارد ریال در سال گذشته بود."
+متن ناشناس: "فروش amount-01 در سال گذشته بود."
+"""
+            
+            prompt1 = f"""متن زیر را ناشناس کنید. قوانین:
+{instructions_text}
+{example_text}
+متن:
+{text}
+
+خروجی: فقط متن ناشناس شده (بدون توضیح اضافی)"""
+            
+            response1 = requests.post(
+                "https://api.cerebras.ai/v1/chat/completions",
+                headers={
+                    "Authorization": f"Bearer {self.cerebras_key}",
+                    "Content-Type": "application/json"
+                },
+                json={
+                    "model": "llama-3.3-70b",
+                    "messages": [{"role": "user", "content": prompt1}],
+                    "max_tokens": 4096,
+                    "temperature": 0.1
+                },
+                timeout=60
+            )
+            
+            if response1.status_code != 200:
+                logger.error(f"❌ Cerebras Error: {response1.status_code}")
+                raise Exception(f"Cerebras API Error: {response1.status_code}")
+            
+            anonymized_text = response1.json()['choices'][0]['message']['content'].strip()
+            logger.info("✅ Cerebras: ناشناس‌سازی موفق")
+            
+            # مرحله 2: استخراج mapping - فقط برای موجودیت‌های انتخابی
+            mapping_instructions = []
+            json_example = "{\n"
+            
+            if "person" in self.entities_to_anonymize:
+                mapping_instructions.append('- برای person-XX: نام کامل شخص (مثلاً "علی احمدی")')
+                json_example += '  "person-01": "متن اصلی کامل",\n'
+            
+            if "company" in self.entities_to_anonymize:
+                mapping_instructions.append('- برای company-XX: نام کامل شرکت/سازمان (مثلاً "شرکت پتروشیمی")')
+                json_example += '  "company-01": "متن اصلی کامل",\n'
+            
+            if "amount" in self.entities_to_anonymize:
+                mapping_instructions.append('- برای amount-XX: عدد + واحد (مثلاً "80 هزار تومان" یا "50 میلیارد ریال")')
+                json_example += '  "amount-01": "متن اصلی کامل با واحد",\n'
+            
+            if "percent" in self.entities_to_anonymize:
+                mapping_instructions.append('- برای percent-XX: عدد + کلمه "درصد" (مثلاً "40 درصد" نه فقط "40")')
+                json_example += '  "percent-01": "عدد + درصد",\n'
+            
+            json_example += "  ...\n}"
+            mapping_instructions_text = "\n".join(mapping_instructions)
+            
+            prompt2 = f"""متن اصلی:
+{text}
+
+متن ناشناس شده:
+{anonymized_text}
+
+لطفاً یک جدول mapping برای همه توکن‌های ناشناس ایجاد کن.
+برای هر توکن، متن اصلی کامل آن را مشخص کن.
+
+**مهم:** 
+{mapping_instructions_text}
+
+خروجی را به این فرمت JSON بده (فقط JSON، بدون توضیح اضافی):
+{json_example}"""
+            
+            response2 = requests.post(
+                "https://api.cerebras.ai/v1/chat/completions",
+                headers={
+                    "Authorization": f"Bearer {self.cerebras_key}",
+                    "Content-Type": "application/json"
+                },
+                json={
+                    "model": "llama-3.3-70b",
+                    "messages": [{"role": "user", "content": prompt2}],
+                    "max_tokens": 2048,
+                    "temperature": 0.1
+                },
+                timeout=60
+            )
+            
+            if response2.status_code == 200:
+                mapping_text = response2.json()['choices'][0]['message']['content'].strip()
+                mapping_text = mapping_text.replace('```json', '').replace('```', '').strip()
+                
+                try:
+                    self.mapping_table = json.loads(mapping_text)
+                    self._fix_percent_mapping()
+                    self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+                    logger.info(f"✅ Mapping استخراج شد: {len(self.mapping_table)} موجودیت")
+                except json.JSONDecodeError:
+                    logger.warning("⚠️ خطا در parse کردن JSON mapping - استفاده از روش fallback")
+                    self._extract_mapping_from_text(text, anonymized_text)
+            else:
+                logger.warning("⚠️ خطا در دریافت mapping - استفاده از روش fallback")
+                self._extract_mapping_from_text(text, anonymized_text)
+            
+            return anonymized_text, self.mapping_table
+                
+        except Exception as e:
+            logger.error(f"❌ Cerebras Exception: {e}")
+            raise
+    
+    def _fix_percent_mapping(self):
+        """اصلاح mapping برای درصدها"""
+        for token, value in self.mapping_table.items():
+            value_str = str(value).strip()
+            
+            if token.startswith('percent-'):
+                if not re.search(r'(درصد|%|درصدی)', value_str):
+                    self.mapping_table[token] = f"{value_str} درصد"
+                    logger.info(f"✅ اصلاح {token}: '{value_str}' → '{value_str} درصد'")
+            
+            elif token.startswith('amount-'):
+                if not re.search(r'(میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)', value_str):
+                    logger.warning(f"⚠️ {token}: فقط عدد '{value_str}' - واحد مشخص نیست")
+
+    def _extract_mapping_from_text(self, original: str, anonymized: str):
+        """استخراج mapping از متن‌های اصلی و ناشناس شده - فقط برای موجودیت‌های انتخابی"""
+        
+        # ✅ استخراج فقط توکن‌های انتخابی
+        all_tokens = []
+        for entity_type in self.entities_to_anonymize:
+            tokens = re.findall(f'{entity_type}-\\d+', anonymized)
+            all_tokens.extend([(t, entity_type) for t in tokens])
+        
+        all_tokens = sorted(set(all_tokens), key=lambda x: (x[1], int(x[0].split('-')[1])))
+        
+        # ✅ الگوهای موجودیت - فقط برای انتخابی‌ها
+        patterns = {}
+        if "person" in self.entities_to_anonymize:
+            patterns['person'] = r'\b[ء-ي]+\s+[ء-ي]+(?:\s+[ء-ي]+)*\b'
+        if "company" in self.entities_to_anonymize:
+            patterns['company'] = r'(?:شرکت|بانک|سازمان|گروه|هلدینگ)\s+[ء-ي]+(?:\s+[ء-ي]+)*'
+        if "amount" in self.entities_to_anonymize:
+            patterns['amount'] = r'\d+(?:\.\d+)?\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)'
+        if "percent" in self.entities_to_anonymize:
+            patterns['percent'] = r'\d+(?:\.\d+)?\s*(?:درصد|%|درصدی)'
+        
+        original_entities = {}
+        for entity_type, pattern in patterns.items():
+            matches = list(re.finditer(pattern, original))
+            original_entities[entity_type] = [m.group().strip() for m in matches]
+        
+        for token, entity_type in all_tokens:
+            if entity_type in original_entities and original_entities[entity_type]:
+                token_num = int(token.split('-')[1]) - 1
+                
+                if token_num < len(original_entities[entity_type]):
+                    original_text = original_entities[entity_type][token_num]
+                    self.mapping_table[token] = original_text
+                    self.reverse_mapping[original_text] = token
+                else:
+                    original_text = original_entities[entity_type][-1]
+                    if token not in self.mapping_table:
+                        self.mapping_table[token] = original_text
+                        self.reverse_mapping[original_text] = token
+    
+    def analyze_with_llm(self, anonymized_text: str, analysis_prompt: str = None) -> str:
+        """استفاده از LLM یکپارچه"""
+        logger.info(f"🤖 {self.llm_provider.upper()} اجرای پرامپت...")
+        
+        if not analysis_prompt or not analysis_prompt.strip():
+            logger.info("⚠️  پرامپت خالی - بدون تحلیل")
+            return "⚠️ هیچ دستور تحلیل داده نشده است"
+        
+        # ✅ بررسی اینکه آیا مدل GPT-4 است
+        is_gpt4 = self.llm_model and any(x in self.llm_model.lower() for x in ['gpt-4', 'gpt4'])
+        
+        if is_gpt4:
+            # ✅ پرامپت ویژه GPT-4 با مثال‌های واقعی
+            logger.info("🎯 استفاده از پرامپت ویژه GPT-4")
+            return self._analyze_with_gpt4_prompt(anonymized_text, analysis_prompt)
+        else:
+            # پرامپت عادی برای GPT-5 و Grok
+            return self._analyze_with_standard_prompt(anonymized_text, analysis_prompt)
+    
+    def _analyze_with_gpt4_prompt(self, anonymized_text: str, analysis_prompt: str) -> str:
+        """پرامپت ویژه GPT-4 با few-shot examples"""
+        
+        # ✅ مثال‌های واقعی Few-Shot
+        few_shot_examples = """
+EXAMPLE 1 - CORRECT:
+Input: "company-01 فروش amount-01 داشت"
+Your output should be EXACTLY: "company-01 فروش amount-01 داشت"
+NOT: "company-01 فروش مبلغ amount-01 داشت"
+
+EXAMPLE 2 - CORRECT:
+Input: "amount-02 به amount-03 رسید"
+Your output should be EXACTLY: "amount-02 به amount-03 رسید"
+NOT: "مبلغ amount-02 به amount-03 رسید"
+
+EXAMPLE 3 - CORRECT:
+Input: "company-01 سود percent-01 داشت"
+Your output should be EXACTLY: "company-01 سود percent-01 داشت"
+NOT: "شرکت company-01 سود درصد percent-01 داشت"
+"""
+        
+        # لیست توکن‌های انتخابی
+        tokens_list = []
+        if "person" in self.entities_to_anonymize:
+            tokens_list.append("person-XX")
+        if "company" in self.entities_to_anonymize:
+            tokens_list.append("company-XX")
+        if "amount" in self.entities_to_anonymize:
+            tokens_list.append("amount-XX")
+        if "percent" in self.entities_to_anonymize:
+            tokens_list.append("percent-XX")
+        
+        tokens_str = ", ".join(tokens_list)
+        
+        # ✅ پرامپت انگلیسی برای GPT-4 (بهتر کار می‌کند)
+        combined_text = f"""You are processing anonymized Persian/Farsi text containing placeholder tokens.
+
+ANONYMIZED TEXT:
+{anonymized_text}
+
+USER REQUEST:
+{analysis_prompt}
+
+CRITICAL RULES:
+1. Use ONLY these exact tokens: {tokens_str}
+2. NEVER add words before/after tokens
+3. Keep the EXACT format: amount-01 (not "مبلغ amount-01" or "amount- 01")
+4. Do NOT create new tokens
+5. Preserve the exact structure
+
+{few_shot_examples}
+
+FORBIDDEN PATTERNS - NEVER USE:
+❌ "مبلغ amount-01" → ✅ Use: "amount-01"
+❌ "شرکت company-01" → ✅ Use: "company-01"  
+❌ "فروش به amount-02" → ✅ Use: "فروش amount-02"
+❌ "درصد percent-01" → ✅ Use: "percent-01"
+❌ "amount- 01" (space) → ✅ Use: "amount-01"
+
+Now process the text following these rules EXACTLY."""
+        
+        try:
+            # ✅ temperature خیلی پایین برای GPT-4
+            logger.info(f"🌡️ Temperature: 0.05 (GPT-4 ویژه)")
+            
+            response = self.llm_sender.send(
+                combined_text, 
+                lang='en',  # انگلیسی برای GPT-4
+                temperature=0.05,  # خیلی خیلی پایین
+                max_tokens=2000
+            )
+            
+            # ✅ دیباگ: نمایش خروجی خام LLM
+            logger.info("=" * 60)
+            logger.info("🔍 DEBUG - خروجی خام GPT-4:")
+            logger.info(response[:500] + "..." if len(response) > 500 else response)
+            logger.info("=" * 60)
+            
+            # ✅ پاکسازی قوی‌تر
+            cleaned_response = self._clean_llm_response(response)
+            
+            # ✅ دیباگ: نمایش خروجی بعد از clean
+            logger.info("=" * 60)
+            logger.info("🧹 DEBUG - خروجی بعد از clean:")
+            logger.info(cleaned_response[:500] + "..." if len(cleaned_response) > 500 else cleaned_response)
+            logger.info("=" * 60)
+            
+            logger.info(f"✅ GPT-4: {len(cleaned_response)} کاراکتر")
+            return cleaned_response
+            
+        except Exception as e:
+            logger.error(f"❌ GPT-4 Exception: {e}")
+            return f"❌ خطا در ارتباط با GPT-4: {str(e)}"
+    
+    def _analyze_with_standard_prompt(self, anonymized_text: str, analysis_prompt: str) -> str:
+        """پرامپت استاندارد برای GPT-5 و Grok"""
+        
+        tokens_instruction = []
+        examples = []
+        
+        if "person" in self.entities_to_anonymize:
+            tokens_instruction.append("person-XX")
+            examples.append("✅ صحیح: person-01 در جلسه حضور داشت\n❌ غلط: آقای person-01")
+        
+        if "company" in self.entities_to_anonymize:
+            tokens_instruction.append("company-XX")
+            examples.append("✅ صحیح: company-01 فعالیت کرد\n❌ غلط: شرکت company-01")
+        
+        if "amount" in self.entities_to_anonymize:
+            tokens_instruction.append("amount-XX")
+            examples.append("✅ صحیح: فروش amount-01 بود\n❌ غلط: فروش مبلغ amount-01")
+        
+        if "percent" in self.entities_to_anonymize:
+            tokens_instruction.append("percent-XX")
+            examples.append("✅ صحیح: رشد percent-01 داشت\n❌ غلط: رشد درصد percent-01")
+        
+        tokens_str = ", ".join(tokens_instruction)
+        examples_str = "\n".join(examples)
+        
+        combined_text = f"""متن ناشناس‌سازی شده:
+{anonymized_text}
+
+دستورات:
+{analysis_prompt}
+
+⚠️ قوانین مهم:
+1. فقط از کدهای ناشناس موجود استفاده کن: {tokens_str}
+2. هیچ کلمه‌ای قبل یا بعد از این کدها اضافه نکن
+3. کد جدید ایجاد نکن
+4. ساختار دقیق متن را حفظ کن
+
+مثال‌های صحیح و غلط:
+{examples_str}"""
+        
+        try:
+            temp_to_use = 0.2
+            logger.info(f"🌡️ Temperature: {temp_to_use}")
+            
+            response = self.llm_sender.send(
+                combined_text, 
+                lang='fa',
+                temperature=temp_to_use,
+                max_tokens=2000
+            )
+            
+            response = self._clean_llm_response(response)
+            
+            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)}"
+    
+    def _clean_llm_response(self, text: str) -> str:
+        """پاکسازی کلمات اضافی که LLM ممکن است قبل از موجودیت‌ها اضافه کرده باشد"""
+        logger.info("🧹 پاکسازی کلمات اضافی...")
+        
+        cleaned = text
+        changes_made = 0
+        
+        # الگوهای کلمات اضافی برای هر نوع موجودیت
+        patterns = []
+        
+        if "person" in self.entities_to_anonymize:
+            patterns.extend([
+                (r'(?:آقای|خانم|شخص|فرد)\s+(person-\d+)', r'\1'),
+                (r'(person-\d+)\s+(?:نامدار|محترم|عزیز)', r'\1'),
+            ])
+        
+        if "company" in self.entities_to_anonymize:
+            patterns.extend([
+                (r'(?:شرکت|سازمان|گروه|هلدینگ|بانک|موسسه)\s+(company-\d+)', r'\1'),
+                (r'(company-\d+)\s+(?:محترم)', r'\1'),
+            ])
+        
+        if "amount" in self.entities_to_anonymize:
+            patterns.extend([
+                # ✅ الگوهای کامل برای amount - تمام حالات ممکن
+                # حالت 1: کلمات قبل از amount
+                (r'(?:مبلغ|رقم|عدد|قیمت|ارزش|مقدار)\s+(amount-\d+)', r'\1'),
+                (r'(?:فروش|درآمد|سود|زیان|هزینه|خرج)\s+(amount-\d+)', r'\1'),
+                (r'(?:دارایی|بدهی|سرمایه|پول|وام)\s+(amount-\d+)', r'\1'),
+                
+                # حالت 2: حروف اضافه قبل از amount
+                (r'\bبه\s+(amount-\d+)', r'\1'),
+                (r'\bبا\s+(amount-\d+)', r'\1'),
+                (r'\bاز\s+(amount-\d+)', r'\1'),
+                (r'\bتا\s+(amount-\d+)', r'\1'),
+                (r'\bدر\s+(amount-\d+)', r'\1'),
+                (r'\bبرای\s+(amount-\d+)', r'\1'),
+                
+                # حالت 3: واحدها بعد از amount (اگر نباید باشند)
+                (r'(amount-\d+)\s+(?:ریال|تومان|دلار|یورو)', r'\1'),
+                (r'(amount-\d+)\s+(?:میلیون|میلیارد|هزار|تریلیون)', r'\1'),
+                
+                # حالت 4: ترکیبات
+                (r'(?:به\s+مبلغ)\s+(amount-\d+)', r'\1'),
+                (r'(?:با\s+ارزش)\s+(amount-\d+)', r'\1'),
+                (r'(?:در\s+حد)\s+(amount-\d+)', r'\1'),
+                
+                # حالت 5: فعل + amount (بدون حرف اضافه)
+                (r'(?:رسید|رسیده|می\u200cرسد)\s+(amount-\d+)', r'\1'),
+                (r'(?:شد|شده|می\u200cشود)\s+(amount-\d+)', r'\1'),
+                (r'(?:بود|بوده|است)\s+(amount-\d+)', r'\1'),
+            ])
+        
+        if "percent" in self.entities_to_anonymize:
+            patterns.extend([
+                (r'(?:درصد|%)\s+(percent-\d+)', r'\1'),
+                (r'(percent-\d+)\s+(?:درصد|درصدی|%)', r'\1'),
+            ])
+        
+        # اعمال ال��وها
+        for pattern, replacement in patterns:
+            new_text = re.sub(pattern, replacement, cleaned)
+            if new_text != cleaned:
+                count = len(re.findall(pattern, cleaned))
+                changes_made += count
+                cleaned = new_text
+                logger.info(f"  ✅ حذف '{pattern}': {count} مورد")
+        
+        if changes_made > 0:
+            logger.info(f"✅ {changes_made} کلمه اضافی حذف شد")
+        else:
+            logger.info("✅ کلمه اضافی یافت نشد")
+        
+        return cleaned
+    
+    def restore_text(self, anonymized_text: str) -> str:
+        """بازگردانی متن با ترتیب بهینه برای amount"""
+        logger.info("🔄 بازگردانی متن...")
+        
+        if not self.mapping_table:
+            logger.warning("⚠️ جدول نگاشت خالی است")
+            return anonymized_text
+        
+        logger.info(f"📋 تعداد موجودیت‌ها در mapping: {len(self.mapping_table)}")
+        
+        # ✅ STEP 1: normalize (hyphen یونیکد و جداسازی کلمات چسبیده)
+        restored = self._normalize_tokens(anonymized_text)
+        
+        # ✅ STEP 2: restore قوی مخصوص amount با regex (قبل از clean!)
+        # این کلیدی است - باید قبل از clean انجام شود
+        logger.info("🔥 بازگردانی amount با regex...")
+        amount_restored_count = 0
+        for placeholder, original in self.mapping_table.items():
+            if placeholder.startswith("amount-"):
+                # استخراج شماره
+                num = placeholder.split("-")[1]
+                # الگوی regex: amount [فاصله اختیاری] - [فاصله اختیاری] شماره
+                pattern = rf'amount\s*-\s*{num}'
+                matches = re.findall(pattern, restored)
+                if matches:
+                    restored = re.sub(pattern, original, restored)
+                    amount_restored_count += 1
+                    logger.info(f"✅ regex: {placeholder} → {original[:30]}...")
+        
+        if amount_restored_count > 0:
+            logger.info(f"✅ {amount_restored_count} amount با regex بازگردانی شد")
+        
+        # ✅ STEP 3: clean (حذف کلمات اضافی)
+        # حالا که amount ها restore شدن، می‌تونیم clean کنیم
+        restored = self._clean_for_restore(restored)
+        
+        # ✅ STEP 4: replace ساده برای بقیه (person, company, percent)
+        replacements_count = 0
+        for placeholder, original in sorted(self.mapping_table.items(), key=lambda x: len(x[0]), reverse=True):
+            # amount ها رو قبلاً restore کردیم
+            if placeholder.startswith("amount-"):
+                continue
+                
+            if placeholder in restored:
+                restored = restored.replace(placeholder, original)
+                replacements_count += 1
+                logger.info(f"✅ {placeholder} → {original[:30]}...")
+            else:
+                logger.warning(f"⚠️ {placeholder} در متن یافت نشد!")
+        
+        total_restored = amount_restored_count + replacements_count
+        logger.info(f"✅ بازگردانی کامل - {total_restored}/{len(self.mapping_table)} جایگزین شد")
+        
+        # ✅ STEP 5: fallback regex برای توکن‌های باقی‌مانده
+        if total_restored < len(self.mapping_table):
+            logger.info("🔍 تلاش برای یافتن توکن‌های گم‌شده با regex...")
+            restored = self._restore_with_regex(restored)
+        
+        # هشدار در صورت شکست کامل
+        if total_restored == 0 and len(self.mapping_table) > 0:
+            logger.error("❌ هیچ توکنی جایگزین نشد! متن ورودی احتمالاً متفاوت است.")
+        
+        return restored
+    
+    def _clean_for_restore(self, text: str) -> str:
+        """پاکسازی خاص برای بازگردانی (شبیه _clean_llm_response اما سبک‌تر)"""
+        logger.info("🧹 پاکسازی قبل از بازگردانی...")
+        
+        cleaned = text
+        changes_made = 0
+        
+        patterns = []
+        
+        if "amount" in self.entities_to_anonymize:
+            patterns.extend([
+                (r'(?:مبلغ|رقم|عدد|قیمت|ارزش|فروش|درآمد|هزینه|سود|زیان)\s+(amount-\d+)', r'\1'),
+                (r'\bبه\s+(amount-\d+)', r'\1'),
+                (r'\bبا\s+(amount-\d+)', r'\1'),
+                (r'\bاز\s+(amount-\d+)', r'\1'),
+                (r'\bتا\s+(amount-\d+)', r'\1'),
+            ])
+        
+        for pattern, replacement in patterns:
+            new_text = re.sub(pattern, replacement, cleaned)
+            if new_text != cleaned:
+                changes_made += re.subn(pattern, replacement, cleaned)[1]
+                cleaned = new_text
+        
+        if changes_made > 0:
+            logger.info(f"✅ {changes_made} کلمه اضافی حذف شد")
+        
+        return cleaned
+    
+    def _restore_with_regex(self, text: str) -> str:
+        """بازگردانی با استفاده از regex برای پیدا کردن توکن‌های دارای کلمات اضافی"""
+        restored = text
+        
+        for placeholder, original in self.mapping_table.items():
+            # اگر قبلاً جایگزین شده، رد شو
+            if placeholder not in text:
+                # الگوی regex: کلمه اضافی (اختیاری) + توکن
+                # مثلاً: "فروش amount-01" یا "مبلغ amount-05"
+                entity_type = placeholder.split('-')[0]
+                entity_num = placeholder.split('-')[1]
+                
+                # الگوهای مختلف
+                patterns = [
+                    # کلمه فارسی + فاصله + توکن
+                    rf'[ء-ي]+\s+({entity_type}-{entity_num})\b',
+                    # توکن + فاصله + کلمه فارسی
+                    rf'\b({entity_type}-{entity_num})\s+[ء-ي]+',
+                    # فاصله اضافی داخل توکن
+                    rf'\b{entity_type}\s+-\s+{entity_num}\b',
+                ]
+                
+                for pattern in patterns:
+                    matches = list(re.finditer(pattern, restored))
+                    if matches:
+                        logger.info(f"✅ پیدا شد با regex: {pattern}")
+                        for match in matches:
+                            # جایگزینی کل عبارت با فقط original
+                            full_match = match.group(0)
+                            # اگر توکن داخل match هست، فقط اون رو جایگزین کن
+                            if placeholder in full_match:
+                                restored = restored.replace(full_match, full_match.replace(placeholder, original))
+                            else:
+                                # اگر فرمت توکن متفاوت بود
+                                restored = restored.replace(full_match, original)
+                            logger.info(f"✅ regex: {placeholder} → {original[:30]}...")
+                        break
+        
+        return restored
+    
+    def _normalize_tokens(self, text: str) -> str:
+        """نرمال‌سازی توکن‌ها - حذف فاصله‌های اضافی و hyphen یونیکد"""
+        logger.info("🧹 نرمال‌سازی توکن‌ها...")
+        
+        normalized = text
+        changes = 0
+        
+        # ✅ 1. نرمال‌سازی hyphen های یونیکد برای همه موجودیت‌ها
+        # این hyphen ها: ‐ ‑ ‒ – — − و hyphen معمولی -
+        unicode_hyphens = r'[\u2010\u2011\u2012\u2013\u2014\u2212\-]'
+        
+        for entity_type in self.entities_to_anonymize:
+            # تبدیل همه hyphen ها به - معمولی
+            pattern = rf'{entity_type}{unicode_hyphens}(\d+)'
+            replacement = rf'{entity_type}-\1'
+            count = len(re.findall(pattern, normalized))
+            if count > 0:
+                normalized = re.sub(pattern, replacement, normalized)
+                changes += count
+                logger.info(f"  ✅ {entity_type}: {count} hyphen یونیکد نرمال شد")
+        
+        # ✅ 2. حذف فاضله‌های اضافی داخل توکن
+        for entity_type in self.entities_to_anonymize:
+            pattern = rf'{entity_type}\s+-\s+(\d+)'
+            replacement = rf'{entity_type}-\1'
+            count = len(re.findall(pattern, normalized))
+            if count > 0:
+                normalized = re.sub(pattern, replacement, normalized)
+                changes += count
+                logger.info(f"  ✅ {entity_type}: {count} فاصله اضافی حذف شد")
+        
+        # ✅ 3. جدا کردن توکن‌ها از کلمات فارسی چسبیده (ویژه amount)
+        # مثال: amount-01در → amount-01 در
+        if "amount" in self.entities_to_anonymize:
+            pattern = r'(amount-\d+)([ء-ي])'
+            replacement = r'\1 \2'
+            before = normalized
+            normalized = re.sub(pattern, replacement, normalized)
+            if normalized != before:
+                count = len(re.findall(pattern, before))
+                changes += count
+                logger.info(f"  ✅ amount: {count} کلمه چسبیده جدا شد")
+        
+        # ✅ 4. جدا کردن توکن‌ها از نشانه‌گذاری (ویژه amount)
+        # مثال: amount-01، → amount-01 ،
+        if "amount" in self.entities_to_anonymize:
+            pattern = r'(amount-\d+)([،؛:.!?])'
+            replacement = r'\1 \2'
+            before = normalized
+            normalized = re.sub(pattern, replacement, normalized)
+            if normalized != before:
+                count = len(re.findall(pattern, before))
+                changes += count
+                logger.info(f"  ✅ amount: {count} نشانه‌گذاری جدا شد")
+        
+        if changes > 0:
+            logger.info(f"✅ مجموع {changes} تغییر نرمال‌سازی")
+        
+        return normalized
+    
+    def get_mapping_table_md(self) -> str:
+        """تبدیل جدول نگاشت به Markdown"""
+        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 = None
+
+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
+):
+    """پردازش متن - 4 مرحله"""
+    global anonymizer
+    
+    if not input_text.strip():
+        return "", "", "", ""
+    
+    # ✅ ساخت لیست موجودیت‌های انتخابی
+    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")
+    
+    # اگه هیچی انتخاب نشده
+    if not entities:
+        return "", "❌ لطفاً حداقل یک موجودیت برای ناشناس‌سازی انتخاب کنید", "", ""
+    
+    cerebras_key = os.getenv("CEREBRAS_API_KEY")
+    
+    # ایجاد یا آپدیت anonymizer
+    if not anonymizer:
+        anonymizer = AnonymizerAdvanced(
+            cerebras_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("=" * 70)
+        logger.info(f"🚀 شروع پردازش - LLM: {llm_provider} ({llm_model})")
+        logger.info(f"🎯 موجودیت‌های انتخابی: {', '.join(entities)}")
+        logger.info("=" * 70)
+        
+        # مرحله 1: ناشناس‌سازی
+        logger.info("🔐 مرحله 1: ناشناس‌سازی...")
+        anonymized_text, _ = anonymizer.anonymize_with_cerebras(input_text)
+        logger.info(f"✅ ناشناس‌سازی: {len(anonymized_text)} کاراکتر")
+        
+        # ✅ دیباگ: بررسی توکن‌های موجود در متن ناشناس
+        logger.info("=" * 70)
+        logger.info("🔍 DEBUG - توکن‌های موجود در متن ناشناس:")
+        for entity_type in entities:
+            tokens_found = re.findall(f'{entity_type}-\\d+', anonymized_text)
+            unique_tokens = sorted(set(tokens_found))
+            logger.info(f"  {entity_type}: {unique_tokens}")
+        logger.info("=" * 70)
+        
+        # مرحله 2: LLM (فقط اگر analysis_prompt داده شده باشد)
+        has_analysis = analysis_prompt and analysis_prompt.strip()
+        
+        if has_analysis:
+            logger.info(f"🤖 مرحله 2: {llm_provider.upper()}...")
+            llm_response = anonymizer.analyze_with_llm(anonymized_text, analysis_prompt)
+            logger.info(f"✅ {llm_provider.upper()}: {len(llm_response)} کاراکتر")
+        else:
+            logger.info("⚠️ مرحله 2: بدون تحلیل LLM (پرامپت خالی)")
+            llm_response = "⚠️ هیچ دستور تحلیل داده نشده است"
+        
+        # مرحله 3: بازگردانی
+        logger.info("🔄 مرحله 3: بازگردانی...")
+        
+        # ✅ اصلاح: اگر تحلیل انجام نشده، متن ناشناس اصلی رو restore کن
+        if has_analysis:
+            # اگر LLM تحلیل کرده، خروجی LLM رو restore کن
+            restored_text = anonymizer.restore_text(llm_response)
+        else:
+            # اگر تحلیل نشده، متن ناشناس اصلی رو restore کن
+            restored_text = anonymizer.restore_text(anonymized_text)
+        
+        logger.info("✅ بازگردانی کامل")
+        
+        # مرحله 4: جدول نگاشت
+        logger.info("📋 مرحله 4: جدول نگاشت...")
+        mapping_str = anonymizer.get_mapping_table_md()
+        logger.info(f"✅ {len(anonymizer.mapping_table)} موجودیت")
+        
+        logger.info("=" * 70)
+        logger.info("✅ تمام مراحل کامل!")
+        logger.info("=" * 70)
+        
+        return restored_text, llm_response, anonymized_text, mapping_str
+        
+    except Exception as e:
+        logger.error(f"❌ خطا: {str(e)}", exc_info=True)
+        return "", f"❌ خطا: {str(e)}", "", ""
+
+def clear_all():
+    """پاک کردن همه"""
+    return "", "", "", "", "", "", True, False, False, False, False
+
+# Gradio Interface
+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-group {
+    margin: 0;
+    padding: 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 مدل و انتخاب موجودیت‌ها
+    with gr.Row():
+        # سمت راست: تنظیمات مدل
+        with gr.Column(scale=1):
+            with gr.Group():
+                gr.Markdown("### ⚙️ تنظیمات مدل", elem_classes="input-box")
+                
+                llm_provider = gr.Dropdown(
+                    choices=["chatgpt", "grok"],
+                    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
+                )
+        
+        # سمت چپ: انتخاب موجودیت‌ها
+        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"
+                )
+    
+    # خط جداکننده پررنگ
+    gr.Markdown("---", elem_classes="thick-divider")
+    
+    # ردیف دوم: دستورات پردازش و متن ورودی
+    with gr.Row():
+        # سمت راست: دستورات پردازش
+        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"
+            )
+        
+        # سمت چپ: متن ورودی
+        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"
+            )
+    
+    # دکمه‌های پردازش و پاک کردن
+    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_text = 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 Handler برای تغییر provider
+    def handle_provider_change(provider):
+        models = AVAILABLE_MODELS.get(provider, [])
+        default_model = models[0] if models else None
+        return gr.update(choices=models, value=default_model)
+    
+    llm_provider.change(
+        fn=handle_provider_change,
+        inputs=[llm_provider],
+        outputs=[llm_model]
+    )
+    
+    def handle_select_all(select_all):
+        if select_all:
+            return (
+                gr.update(value=False, interactive=False),
+                gr.update(value=False, interactive=False),
+                gr.update(value=False, interactive=False),
+                gr.update(value=False, interactive=False)
+            )
+        else:
+            return (
+                gr.update(value=False, interactive=True),
+                gr.update(value=False, interactive=True),
+                gr.update(value=False, interactive=True),
+                gr.update(value=False, interactive=True)
+            )
+    
+    anonymize_all.change(
+        fn=handle_select_all,
+        inputs=[anonymize_all],
+        outputs=[anonymize_person, anonymize_company, anonymize_amount, anonymize_percent]
+    )
+    
+    # پردازش
+    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_text, mapping_table]
+    )
+    
+    # پاک کردن
+    clear_btn.click(
+        fn=clear_all,
+        outputs=[
+            input_text, 
+            analysis_prompt,
+            restored_text, 
+            llm_analysis, 
+            anonymized_text, 
+            mapping_table,
+            anonymize_all,
+            anonymize_person,
+            anonymize_company,
+            anonymize_amount,
+            anonymize_percent
+        ]
+    )
+
+if __name__ == "__main__":
+    print("=" * 70)
+    print("🚀 سیستم ناشناس‌سازی متون در حال راه‌اندازی...")
+    print("=" * 70)
+    print("\n📋 نحوه استفاده:\n")
+    print("1. API Keyها را در Hugging Face Secrets تنظیم کنید:")
+    print("   - CEREBRAS_API_KEY (ضروری برای ناشناس‌سازی)")
+    print("   - OPENAI_API_KEY (برای ChatGPT)")
+    print("   - XAI_API_KEY (برای Grok)")
+    print("2. http://localhost:7860 را باز کنید")
+    print("3. مدل زبانی (ChatGPT/Grok) و نسخه مدل را انتخاب کنید")
+    print("4. موجودیت‌های مورد نظر برای ناشناس‌سازی را انتخاب کنید")
+    print("5. متن و دستورات پردازش را وارد کنید")
+    print("6. 'پردازش' را کلیک کنید\n")
+    print("🔐 تمام API Keyها از Hugging Face Secrets خوانده می‌شوند")
+    print("📦 مدل‌های پشتیبانی شده:")
+    print("   • ChatGPT GPT-5: gpt-5.1, gpt-5")
+    print("   • ChatGPT GPT-4: gpt-4.1, gpt-4o, gpt-4o-mini, gpt-4-turbo")
+    print("   • Grok-4: grok-4-fast-reasoning, grok-4-fast-non-reasoning, grok-4-0709")
+    print("   • Grok-3: grok-3, grok-3-mini")
+    print("   • Grok-2: grok-2-vision-1212, grok-2-1212, grok-2")
+    print("=" * 70 + "\n")
+    
+    app.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        show_error=True
+    )