Upload app (62).py

رفعع باگهای برنامه 2 اسفند

app (62).py

@@ -0,0 +1,768 @@
+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
+    )