Update app.py

app.py

@@ -1,10 +1,16 @@
 import gradio as gr
 from sentence_transformers import SentenceTransformer, util
+from transformers import AutoTokenizer, AutoModelForCausalLM
+import torch
 
-# بارگذاری مدل تشابه معنایی
+# بارگذاری مدل SBERT برای تشابه معنایی
 embedder = SentenceTransformer("myrkur/sentence-transformer-parsbert-fa-2.0")
 
-# پایگاه داده‌ی سوالات متداول
+# بارگذاری مدل زبانی GPT فارسی
+gpt_tokenizer = AutoTokenizer.from_pretrained("HooshvareLab/gpt2-fa")
+gpt_model = AutoModelForCausalLM.from_pretrained("HooshvareLab/gpt2-fa")
+
+# پایگاه داده سوالات متداول
 faq_dict = {
     "زمان انتخاب واحد": "معمولاً پایان شهریور و بهمن است.",
     "زمان حذف و اضافه": "حدود یک هفته پس از شروع ترم تحصیلی است.",
@@ -16,26 +22,41 @@ faq_dict = {
 faq_questions = list(faq_dict.keys())
 faq_embeddings = embedder.encode(faq_questions, convert_to_tensor=True)
 
-def student_bot(question):
-    question_embedding = embedder.encode(question, convert_to_tensor=True)
-    cos_scores = util.pytorch_cos_sim(question_embedding, faq_embeddings)[0]
-    best_score = cos_scores.max().item()
-    best_idx = cos_scores.argmax().item()
+# تابع پاسخ‌دهی مدل زبانی Fallback
+def generate_with_farsigpt(question, max_length=80):
+    try:
+        input_ids = gpt_tokenizer.encode(question, return_tensors="pt")
+        output = gpt_model.generate(input_ids, max_length=max_length, pad_token_id=gpt_tokenizer.eos_token_id)
+        response = gpt_tokenizer.decode(output[0], skip_special_tokens=True)
+        return response[len(question):].strip()
+    except Exception as e:
+        return f"❗️خطا در پاسخ‌دهی با مدل زبانی: {str(e)}"
 
-    if best_score >= 0.7:
-        best_question = faq_questions[best_idx]
-        return faq_dict[best_question]
-    else:
-        # 🧠 فراخوانی مدل زبانی fallback
-        response = generate_with_farsigpt(question)
-        return "🔍 پاسخ با مدل زبانی:\n" + response
+# تابع کلی پاسخ‌دهی ایجنت
+def student_bot(question):
+    try:
+        question_embedding = embedder.encode(question, convert_to_tensor=True)
+        cos_scores = util.pytorch_cos_sim(question_embedding, faq_embeddings)[0]
+        best_score = cos_scores.max().item()
+        best_idx = cos_scores.argmax().item()
 
+        if best_score >= 0.7:
+            best_q = faq_questions[best_idx]
+            return faq_dict[best_q]
+        else:
+            response = generate_with_farsigpt(question)
+            return f"🤖 پاسخ با مدل زبانی:\n{response}"
+    except Exception as e:
+        return f"❗️خطا در سیستم: {str(e)}"
 
+# رابط کاربری Gradio
 iface = gr.Interface(
     fn=student_bot,
     inputs=gr.Textbox(label="سؤال خود را وارد کنید"),
     outputs=gr.Textbox(label="پاسخ"),
-    title="ایجنت راهنمای دانشجویان",
-    description="پاسخ به سوالات متداول دانشگاه با تشخیص معنایی فارسی"
+    title="ایجنت راهنمای دانشجویان با fallback",
+    description="اول از پایگاه دانش، در صورت نبودن، با مدل زبانی پاسخ داده می‌شود."
 )
+
 iface.launch()
+