Update llm_sender_unified.py

llm_sender_unified.py

@@ -1,7 +1,7 @@
 """
 🤖 LLM Sender Unified Module
 ماژول یکپارچه برای ارسال به ChatGPT و Grok
-✨ با پشتیبانی از GPT-5 و O1 models
+✨ با پشتیبانی از GPT-5  models
 """
 
 import requests
@@ -46,8 +46,8 @@ class LLMSender(ABC):
     def _uses_max_completion_tokens(self) -> bool:
         """بررسی اینکه آیا مدل از max_completion_tokens استفاده می‌کند"""
         models_with_completion_tokens = [
-            'o1-preview', 'o1-mini', 'o1',
-            'gpt-5', 'gpt-5.1', 'gpt-5-mini', 'gpt-5-nano', 'gpt-5-for'
+            'gpt-5',        # ✅ فقط gpt-5 اصلی
+            'gpt-5.1'       # ✅ فقط gpt-5.1
         ]
         return any(self.model.startswith(prefix) for prefix in models_with_completion_tokens)
     
@@ -175,15 +175,12 @@ class LLMSender(ABC):
                         # خطای دیگر
                         try:
                             error_data = response.json() if response.content else {}
-                            # چک کنیم که error_data واقعاً dict باشه
                             if isinstance(error_data, dict):
                                 error_msg = error_data.get('error', {}).get('message', response.text)
                             else:
-                                # اگه string یا چیز دیگه‌ای بود
                                 error_msg = str(error_data)
                         except:
-                            # اگه JSON parse نشد
-                            error_msg = response.text[:200]  # فقط 200 کاراکتر اول
+                            error_msg = response.text[:200]
                         
                         logger.error(f"❌ API Error: {error_msg}")
                         return f"❌ API Error: {error_msg}"
@@ -225,7 +222,6 @@ class ChatGPTSender(LLMSender):
     """کلاس برای ارسال به ChatGPT"""
     
     def __init__(self, api_key: Optional[str] = None, model: str = "gpt-4o-mini"):
-        # ✅ پاکسازی API key از فضاهای خالی و newline
         raw_key = api_key or os.getenv("OPENAI_API_KEY", "")
         cleaned_key = raw_key.strip() if raw_key else ""
         
@@ -246,7 +242,6 @@ class GrokSender(LLMSender):
     """کلاس برای ارسال به Grok (xAI)"""
     
     def __init__(self, api_key: Optional[str] = None, model: str = "grok-beta"):
-        # ✅ پاکسازی API key از فضاهای خالی و newline
         raw_key = api_key or os.getenv("XAI_API_KEY", "")
         cleaned_key = raw_key.strip() if raw_key else ""
         
@@ -263,23 +258,12 @@ class GrokSender(LLMSender):
         return "https://api.x.ai/v1/chat/completions"
 
 
-# Factory function برای ایجاد sender مناسب
 def create_llm_sender(
     provider: str = "chatgpt",
     api_key: Optional[str] = None,
     model: Optional[str] = None
 ) -> LLMSender:
-    """
-    ایجاد LLM sender بر اساس provider
-    
-    Args:
-        provider: "chatgpt" یا "grok"
-        api_key: کلید API (اختیاری)
-        model: مدل (اختیاری، از پیش‌فرض استفاده می‌شود)
-    
-    Returns:
-        instance از ChatGPTSender یا GrokSender
-    """
+    """ایجاد LLM sender بر اساس provider"""
     provider = provider.lower()
     
     if provider == "chatgpt":
@@ -293,73 +277,38 @@ def create_llm_sender(
         return GrokSender(api_key=api_key, model=model)
     
     else:
-        raise ValueError(f"Provider نامعتبر: {provider}. باید 'chatgpt' یا 'grok' باشد")
+        raise ValueError(f"Provider نامعتبر: {provider}")
 
 
-# مدل‌های موجود برای هر provider
+# ✅ مدل‌های موجود (بعد از حذف)
 AVAILABLE_MODELS = {
     "chatgpt": [
-        # ✨ مدل‌های جدید GPT-5
-        "gpt-5",
-        "gpt-5.1", 
-        "gpt-5-mini",
-        "gpt-5-nano",
-        # مدل‌های O1
-        "o1",
-        "o1-preview",
-        "o1-mini",
-        # مدل‌های GPT-4
+        "gpt-5",            # ✅ فقط gpt-5 اصلی
+        "gpt-5.1",          # ✅ فقط gpt-5.1
         "gpt-4o-mini",
         "gpt-4o",
         "gpt-4-turbo",
         "gpt-3.5-turbo"
     ],
     "grok": [
-        "grok-beta",           # رایگان در بتا
-        "grok-3-mini",         # ارزان‌تر
-        "grok-3",              # flagship
-        "grok-2-1212"          # نسخه قدیمی‌تر
+        "grok-3-mini",
+        "grok-3",
+        "grok-2-1212"
     ]
 }
 
 
 if __name__ == "__main__":
     print("=" * 60)
-    print("🤖 LLM Sender Unified - مثال استفاده")
-    print("✨ با پشتیبانی از GPT-5 و O1")
+    print("🤖 LLM Sender - نسخه تمیز شده")
+    print("✨ مدل‌های پشتیبانی شده: o1, gpt-5, gpt-5.1")
     print("=" * 60)
     
-    # مثال 1: ChatGPT
-    print("\n1️⃣  ChatGPT:")
-    chatgpt = create_llm_sender("chatgpt")
-    if chatgpt.api_key:
-        response = chatgpt.send_simple("سلام")
-        print(f"✅ پاسخ: {response[:100]}...")
-    else:
-        print("⚠️  کلید OpenAI API تنظیم نشده است!")
-    
-    # مثال 2: Grok
-    print("\n2️⃣  Grok:")
-    grok = create_llm_sender("grok", model="grok-beta")
-    if grok.api_key:
-        response = grok.send_simple("سلام")
-        print(f"✅ پاسخ: {response[:100]}...")
-    else:
-        print("⚠️  کلید xAI API تنظیم نشده است!")
-    
-    # مثال 3: تست مدل‌های جدید
-    print("\n3️⃣  تست مدل‌های جدید:")
-    print("\nمدل‌های با max_completion_tokens:")
-    test_models = ['o1', 'o1-mini', 'gpt-5', 'gpt-5-mini', 'gpt-4o']
+    # تست
+    print("\n🧪 تست مدل‌ها:")
+    test_models = ['o1', 'gpt-5', 'gpt-5.1', 'gpt-4o']
     for model in test_models:
         sender = create_llm_sender("chatgpt", model=model)
         uses_completion = sender._uses_max_completion_tokens()
-        print(f"  - {model}: {'✅ max_completion_tokens' if uses_completion else '❌ max_tokens'}")
-    
-    # مثال 4: لیست مدل‌ها
-    print("\n4️⃣  مدل‌های موجود:")
-    for provider, models in AVAILABLE_MODELS.items():
-        print(f"\n{provider.upper()}:")
-        for model in models:
-            print(f"  - {model}")
-
+        param = "max_completion_tokens" if uses_completion else "max_tokens"
+        print(f"  {model:<15} → {param}")