src/streamlit_app.py

import streamlit as st
import pandas as pd
from sentence_transformers import SentenceTransformer
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
import requests
import os

# Page config
st.set_page_config(
    page_title="Structural BIM Assistant",
    page_icon="🏗️",
    layout="wide"
)

# Custom CSS for Arabic support and styling
st.markdown("""
<style>
    .stApp {
        background: linear-gradient(135deg, #f5f7fa 0%, #c3cfe2 100%);
    }
    .main-header {
        background: linear-gradient(90deg, #1e40af 0%, #3b82f6 100%);
        padding: 2rem;
        border-radius: 10px;
        color: white;
        text-align: center;
        margin-bottom: 2rem;
        box-shadow: 0 4px 6px rgba(0,0,0,0.1);
    }
    .question-card {
        background: white;
        padding: 1.5rem;
        border-radius: 10px;
        margin: 1rem 0;
        box-shadow: 0 2px 4px rgba(0,0,0,0.1);
        border-right: 4px solid #3b82f6;
    }
    .answer-card {
        background: #f0f9ff;
        padding: 1.5rem;
        border-radius: 10px;
        margin: 1rem 0;
        border-right: 4px solid #10b981;
    }
    .category-badge {
        display: inline-block;
        background: #dbeafe;
        color: #1e40af;
        padding: 0.25rem 0.75rem;
        border-radius: 20px;
        font-size: 0.85rem;
        margin: 0.25rem;
    }
    .rarity-badge {
        display: inline-block;
        background: #dcfce7;
        color: #166534;
        padding: 0.25rem 0.75rem;
        border-radius: 20px;
        font-size: 0.85rem;
        margin: 0.25rem;
    }
    .stButton>button {
        background: linear-gradient(90deg, #3b82f6 0%, #2563eb 100%);
        color: white;
        border: none;
        padding: 0.75rem 2rem;
        border-radius: 8px;
        font-weight: bold;
    }
    .arabic-text {
        direction: rtl;
        text-align: right;
        font-size: 1.1rem;
        line-height: 1.8;
    }
</style>
""", unsafe_allow_html=True)

# Initialize session state
if 'chat_history' not in st.session_state:
    st.session_state.chat_history = []

# Load FAQ Data
@st.cache_data
def load_faq_data():
    """Load FAQ data from local CSV file"""
    
    try:
        # Try to read from local file first
        if os.path.exists('faq_data.csv'):
            df = pd.read_csv('faq_data.csv', skiprows=1)
        elif os.path.exists('src/faq_data.csv'):
            df = pd.read_csv('src/faq_data.csv', skiprows=1)
        else:
            st.error("❌ faq_data.csv not found. Please upload the CSV file.")
            return None
        
        # Set proper column names
        df.columns = ['No', 'Category', 'Rarety', 'Questions', 'Additional Questions Data (image)', 
                      'Answers', 'Additional data_01 (image)', 'Additional data_02 (video links or extra links)']
        
        # Clean and filter
        df.columns = df.columns.str.strip()
        df = df[df['Questions'].notna() & (df['Questions'] != '') & (df['Questions'].str.len() > 5)]
        
        st.success(f"✅ تم تحميل {len(df)} سؤال بنجاح!")
        return df
    except Exception as e:
        st.error(f"Error loading FAQ data: {e}")
        return None

# Load embedding model
@st.cache_resource
def load_embedding_model():
    """Load sentence transformer model for semantic search"""
    try:
        model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
        return model
    except Exception as e:
        st.error(f"Error loading model: {e}")
        return None

# Hugging Face API call
def query_huggingface(prompt, api_token):
    """Query Hugging Face API with free model"""
    API_URL = "https://api-inference.huggingface.co/models/mistralai/Mistral-7B-Instruct-v0.2"
    headers = {"Authorization": f"Bearer {api_token}"}
    
    payload = {
        "inputs": prompt,
        "parameters": {
            "max_new_tokens": 500,
            "temperature": 0.7,
            "top_p": 0.9,
            "return_full_text": False
        }
    }
    
    try:
        response = requests.post(API_URL, headers=headers, json=payload)
        if response.status_code == 200:
            result = response.json()
            if isinstance(result, list) and len(result) > 0:
                return result[0].get('generated_text', '').strip()
        elif response.status_code == 503:
            return "⏳ النموذج يتم تحميله حالياً، جرب مرة أخرى بعد 20 ثانية..."
        else:
            return f"خطأ في الاتصال بالنموذج: {response.status_code}"
    except Exception as e:
        return f"خطأ: {str(e)}"
    
    return "عذراً، لم أتمكن من الحصول على إجابة"

# Search FAQ database
def search_faq(question, df, model, threshold=0.6):
    """Search FAQ database using semantic similarity"""
    if df is None or model is None:
        return None, 0
    
    try:
        question_embedding = model.encode([question])
        faq_questions = df['Questions'].tolist()
        faq_embeddings = model.encode(faq_questions)
        
        similarities = cosine_similarity(question_embedding, faq_embeddings)[0]
        max_idx = np.argmax(similarities)
        max_similarity = similarities[max_idx]
        
        if max_similarity >= threshold:
            return df.iloc[max_idx], max_similarity
        return None, max_similarity
    except Exception as e:
        st.error(f"Error in search: {e}")
        return None, 0

# Main app
def main():
    # Header
    st.markdown("""
    <div class="main-header">
        <h1>🏗️ Structural BIM Assistant</h1>
        <p>مساعدك الذكي لأسئلة Revit والهندسة الإنشائية</p>
    </div>
    """, unsafe_allow_html=True)
    
    # Sidebar
    with st.sidebar:
        st.header("⚙️ الإعدادات")
        
        # Try to get token from environment
        default_token = os.getenv("HUGGINGFACE_TOKEN", "")
        
        # API Token input
        api_token = st.text_input(
            "🔑 Hugging Face Token",
            type="password",
            value=default_token,
            help="سيتم استخدام التوكن من الإعدادات تلقائياً"
        )
        
        if not api_token:
            st.warning("⚠️ يرجى إضافة Hugging Face Token في Settings → Repository secrets")
        
        # Search threshold
        threshold = st.slider(
            "🎯 دقة البحث",
            min_value=0.3,
            max_value=0.9,
            value=0.6,
            step=0.1,
            help="كلما زادت القيمة، كلما كانت النتائج أدق"
        )
        
        st.divider()
        
        # Statistics
        df = load_faq_data()
        if df is not None:
            st.metric("📚 عدد الأسئلة في قاعدة البيانات", len(df))
            
            st.subheader("📊 التصنيفات")
            category_counts = df['Category'].value_counts()
            for cat, count in category_counts.items():
                if pd.notna(cat):
                    st.write(f"• {cat}: {count}")
        
        st.divider()
        
        if st.button("🗑️ مسح المحادثة"):
            st.session_state.chat_history = []
            st.rerun()
    
    # Load models
    df = load_faq_data()
    model = load_embedding_model()
    
    if df is None:
        st.error("⚠️ فشل تحميل قاعدة البيانات")
        return
    
    if model is None:
        st.error("⚠️ فشل تحميل نموذج البحث")
        return
    
    # Example questions
    with st.expander("💡 أسئلة شائعة - اضغط لاختيار"):
        col1, col2 = st.columns(2)
        examples = df.head(6)['Questions'].tolist()
        
        for idx, example in enumerate(examples):
            col = col1 if idx % 2 == 0 else col2
            with col:
                if st.button(example[:80] + "...", key=f"ex_{idx}"):
                    st.session_state.user_question = example
    
    # Chat interface
    st.markdown("### 💬 اسأل سؤالك")
    
    user_question = st.text_area(
        "اكتب سؤالك هنا:",
        height=100,
        key="question_input",
        placeholder="مثال: كيف أعمل Level جديد في Revit؟"
    )
    
    col1, col2 = st.columns([1, 5])
    with col1:
        ask_button = st.button("🚀 إرسال", use_container_width=True)
    
    # Process question
    if ask_button and user_question.strip():
        with st.spinner("🔍 جاري البحث عن الإجابة..."):
            result, similarity = search_faq(user_question, df, model, threshold)
            
            st.markdown(f"""
            <div class="question-card">
                <strong>❓ سؤالك:</strong>
                <p class="arabic-text">{user_question}</p>
            </div>
            """, unsafe_allow_html=True)
            
            if result is not None:
                st.success(f"✅ وجدت إجابة في قاعدة البيانات (دقة: {similarity*100:.1f}%)")
                
                st.markdown(f"""
                <div class="answer-card">
                    <div>
                        <span class="category-badge">📁 {result['Category']}</span>
                        <span class="rarity-badge">⭐ {result['Rarety']}</span>
                    </div>
                    <br>
                    <strong>✅ الإجابة:</strong>
                    <p class="arabic-text">{result['Answers']}</p>
                </div>
                """, unsafe_allow_html=True)
                
                if pd.notna(result.get('Additional data_02 (video links or extra links)')):
                    links = result['Additional data_02 (video links or extra links)']
                    st.info(f"🔗 روابط إضافية: {links}")
                
                with st.expander("📝 السؤال الأصلي في قاعدة البيانات"):
                    st.write(result['Questions'])
                
            else:
                st.warning(f"⚠️ لم أجد إجابة مطابقة في قاعدة البيانات (أقرب تطابق: {similarity*100:.1f}%)")
                
                if api_token:
                    st.info("🤖 سأحاول الإجابة باستخدام الذكاء الاصطناعي...")
                    
                    prompt = f"""أنت مساعد متخصص في Structural BIM و Revit. 
أجب على السؤال التالي بشكل مختصر ومفيد باللغة العربية:

السؤال: {user_question}

الإجابة:"""
                    
                    ai_response = query_huggingface(prompt, api_token)
                    
                    st.markdown(f"""
                    <div class="answer-card">
                        <strong>🤖 إجابة الذكاء الاصطناعي:</strong>
                        <p class="arabic-text">{ai_response}</p>
                        <br>
                        <em style="color: #6b7280; font-size: 0.9rem;">
                        ⚠️ هذه الإجابة من الذكاء الاصطناعي وليست من قاعدة البيانات. 
                        يُرجى التحقق من دقتها.
                        </em>
                    </div>
                    """, unsafe_allow_html=True)
                else:
                    st.error("⚠️ يرجى إضافة Hugging Face Token")
                    ai_response = "لا يوجد إجابة متاحة"
            
            st.session_state.chat_history.append({
                'question': user_question,
                'answer': result['Answers'] if result is not None else ai_response,
                'source': 'database' if result is not None else 'ai',
                'similarity': similarity
            })
    
    # Chat history
    if st.session_state.chat_history:
        st.markdown("---")
        st.markdown("### 📜 سجل المحادثات")
        
        for idx, chat in enumerate(reversed(st.session_state.chat_history[-5:])):
            with st.expander(f"💬 {chat['question'][:60]}..."):
                st.markdown(f"**السؤال:** {chat['question']}")
                st.markdown(f"**الإجابة:** {chat['answer']}")
                source_emoji = "📚" if chat['source'] == 'database' else "🤖"
                st.caption(f"{source_emoji} المصدر: {'قاعدة البيانات' if chat['source'] == 'database' else 'الذكاء الاصطناعي'}")

if __name__ == "__main__":
    main()