Update app.py

app.py

@@ -1,16 +1,91 @@
 import os
 import json
 import traceback
-from fastapi import FastAPI, HTTPException
+import datetime
+from fastapi import FastAPI, HTTPException, Cookie, Response, Depends, status
 from fastapi.responses import HTMLResponse, JSONResponse
 from pydantic import BaseModel, Field
-from typing import List
+from typing import List, Optional
 from google import genai
 from google.genai import types
 
-app = FastAPI(title="Top Danesh Psychological Assessment Platform")
+# کتابخانه‌های ارتباط با دیتابیس PostgreSQL
+from sqlalchemy import create_engine, Column, Integer, String, DateTime, ForeignKey, JSON
+from sqlalchemy.ext.declarative import declarative_base
+from sqlalchemy.orm import sessionmaker, relationship, Session
 
-# گزینه‌های استاندارد ثابت برای MBTI (در جهت‌های ۲+ تا ۲-)
+app = FastAPI(title="Top Danesh Psychological Assessment Platform - Counselor Engine")
+
+# =====================================================================
+# تنظیمات دیتابیس NEON POSTGRESQL
+# =====================================================================
+DATABASE_URL = "postgresql://neondb_owner:npg_jhAQnM0UHwp3@ep-flat-meadow-aid7y57p-pooler.c-4.us-east-1.aws.neon.tech/neondb?sslmode=require"
+
+try:
+    engine = create_engine(DATABASE_URL, pool_pre_ping=True)
+    SessionLocal = sessionmaker(autocommit=False, autoflush=False, bind=engine)
+    Base = declarative_base()
+except Exception as db_init_err:
+    print(f"خطا در ایجاد موتور دیتابیس: {str(db_init_err)}")
+    raise db_init_err
+
+# وابستگی تزریق دیتابیس به روت‌ها (Dependency Injection)
+def get_db():
+    db = SessionLocal()
+    try:
+        yield db
+    finally:
+        db.close()
+
+# =====================================================================
+# مدل‌های جدول دیتابیس (ORM)
+# =====================================================================
+class UserDB(Base):
+    __tablename__ = "users"
+    phone = Column(String(15), primary_key=True, index=True)
+    first_name = Column(String(100), nullable=False)
+    last_name = Column(String(100), nullable=False)
+    created_at = Column(DateTime, default=datetime.datetime.utcnow)
+
+    submissions = relationship("TestSubmissionDB", back_populates="user", cascade="all, delete-orphan")
+
+class TestSubmissionDB(Base):
+    __tablename__ = "test_submissions"
+    id = Column(Integer, primary_key=True, index=True)
+    phone = Column(String(15), ForeignKey("users.phone"), nullable=False)
+    test_type = Column(String(50), nullable=False)  # mbti, bai, bdi, solomon
+    answers = Column(JSON, nullable=False)  # ساختار پاسخ‌های خام دریافتی
+    calculated_scores = Column(JSON, nullable=False)  # مقادیر و درصدهای نمرات محاسبه‌شده در پایتون
+    analysis_json = Column(JSON, nullable=True)  # ذخیره کش تحلیل هوش مصنوعی پس از اولین فراخوانی
+    created_at = Column(DateTime, default=datetime.datetime.utcnow)
+
+    user = relationship("UserDB", back_populates="submissions")
+
+# ایجاد ساختار جداول در صورت عدم وجود در Neon
+try:
+    Base.metadata.create_all(bind=engine)
+except Exception as table_creation_err:
+    print(f"خطا در ساخت جداول دیتابیس: {str(table_creation_err)}")
+
+# =====================================================================
+# تنظیمات احراز هویت مشاور (مبتنی بر Cookie)
+# =====================================================================
+MOSHAVER_USERNAME = os.environ.get("MOSHAVER_USERNAME", "topdanesh_admin")
+MOSHAVER_PASSWORD = os.environ.get("MOSHAVER_PASSWORD", "danesh@2026")
+MOSHAVER_SESSION_TOKEN = os.environ.get("MOSHAVER_TOKEN", "MoshaverSecureToken2026")
+
+def verify_moshaver_auth(moshaver_session: Optional[str] = Cookie(None)):
+    """اعتبارسنجی ساده و امن دسترسی به پنل مشاور با کوکی"""
+    if not moshaver_session or moshaver_session != MOSHAVER_SESSION_TOKEN:
+        raise HTTPException(
+            status_code=status.HTTP_401_UNAUTHORIZED,
+            detail="دسترسی غیرمجاز. لطفا ابتدا وارد پنل مشاور شوید."
+        )
+    return moshaver_session
+
+# =====================================================================
+# گزینه‌های استاندارد ثابت برای آزمون‌ها
+# =====================================================================
 MBTI_OPTIONS = [
     {"score": 2, "text": "کاملاً موافقم", "label": "+۱۰۰٪", "color": 1},
     {"score": 1, "text": "موافق هستم", "label": "+۵۰٪", "color": 2},
@@ -19,7 +94,6 @@ MBTI_OPTIONS = [
     {"score": -2, "text": "کاملاً مخالفم", "label": "-۱۰۰٪", "color": 5}
 ]
 
-# گزینه‌های استاندارد ثابت برای اضطراب بک (BAI)
 BAI_OPTIONS = [
     {"score": 0, "text": "اصلاً (در رنج نبودم)", "label": "طبیعی (۰٪)", "color": 1},
     {"score": 1, "text": "خفیف (زیاد ناراحتم نکرد)", "label": "خفیف (۳۳٪)", "color": 2},
@@ -27,7 +101,6 @@ BAI_OPTIONS = [
     {"score": 3, "text": "شدید (غیر قابل تحمل بود)", "label": "شدید (۱۰۰٪)", "color": 5}
 ]
 
-# گزینه‌های استاندارد برای آزمون اهمال‌کاری تحصیلی سولومون
 SOLOMON_OPTIONS = [
     {"score": 1, "text": "هرگز", "label": "۱", "color": 1},
     {"score": 2, "text": "به ندرت", "label": "۲", "color": 2},
@@ -36,7 +109,7 @@ SOLOMON_OPTIONS = [
     {"score": 5, "text": "همیشه", "label": "۵", "color": 5}
 ]
 
-# دیتابیس آزمون اول: ۳۰ سوال MBTI
+# دیتابیس سوالات آزمون‌ها (بدون تغییر)
 MBTI_QUESTIONS = [
     {"id": 1, "text": "در رویدادهای اجتماعی، من معمولاً با افراد جدید زیادی صحبت می‌کنم، نه فقط با کسانی که می‌شناسم.", "dimension": "EI", "direction": 1},
     {"id": 2, "text": "من بیشتر جذب ایده‌های نوآورانه و نظری می‌شوم تا واقعیت‌های ملموس و کاربردی.", "dimension": "SN", "direction": -1},
@@ -70,7 +143,6 @@ MBTI_QUESTIONS = [
     {"id": 30, "text": "من ترجیح می‌دهم پروژه‌هایم را به صورت گام به گام و با آرامش پیش ببرم تا اینکه همه کارها را در دقیقه نود جمع کنم.", "dimension": "JP", "direction": 1}
 ]
 
-# آزمون دوم: ۲۱ سوال اضطراب بک (BAI)
 BAI_QUESTIONS = [
     {"id": 1, "text": "احساس گزگز، بی‌حسی، مورمور شدن یا کرختی در بخش‌هایی از بدنتان.", "dimension": "somatic"},
     {"id": 2, "text": "احساس ناگهانی داغ شدن شدید، گرگرفتگی یا افزایش حرارت بدن.", "dimension": "somatic"},
@@ -95,7 +167,6 @@ BAI_QUESTIONS = [
     {"id": 21, "text": "عرق کردن شدید که ناشی از دمای محیط یا فعالیت بدنی نباشد.", "dimension": "somatic"}
 ]
 
-# آزمون سوم: ۲۱ سوال افسردگی بک (BDI-II)
 BDI_QUESTIONS = [
     {
         "id": 1,
@@ -295,17 +366,17 @@ BDI_QUESTIONS = [
             {"score": 0, "text": "تمرکز فکری من به خوبی گذشته است و حواسم پرت نمی‌شود.", "label": "طبیعی (۰٪)", "color": 1},
             {"score": 1, "text": "نمی‌توانم به اندازه قبل، روی کارها یا مطالعه متمرکز بمانم.", "label": "خفیف (۳۳٪)", "color": 2},
             {"score": 2, "text": "برای مدت طولانی نمی‌توانم ذهنم را روی یک موضوع مشخص ثابت نگه دارم.", "label": "متوسط (۶۶٪)", "color": 4},
-            {"score": 3, "text": "احساس می‌کنم اصلاً روی هیچ موضوعی قادر به متمرکز شدن نیستم.", "dimension": "somatic", "label": "شدید (۱۰۰٪)"}
+            {"score": 3, "text": "احساس می‌کنم اصلاً روی هیچ موضوعی قادر به متمرکز شدن نیستم.", "label": "شدید (۱۰۰٪)", "color": 5}
         ]
     },
     {
         "id": 20, "text": "میزان احساس خستگی مفرط، بی‌حالی و کوفتگی بدنی روزانه در شما چگونه است؟",
         "dimension": "somatic",
         "options": [
-            {"score": 0, "text": "بیش از حد معمول احساس خستگی، کوفتگی یا بی‌حالی نمی‌کنم.", "label": "طبیعی (۰٪)"},
-            {"score": 1, "text": "زودتر از گذشته احساس خستگی کرده و توان بدنی‌ام تحلیل می‌رود.", "label": "خفیف (۳۳٪)"},
-            {"score": 2, "text": "خسته‌تر از آن هستم که بتوانم کارهایی را که قبلاً به راحتی انجام می‌دادم، پیش ببرم.", "label": "متوسط (۶۶٪)"},
-            {"score": 3, "text": "به قدری احساس خستگی مفرط دارم که قادر به شروع کارهای ساده روزانه نیستم.", "label": "شدید (۱۰۰٪)"}
+            {"score": 0, "text": "بیش از حد معمول احساس خستگی، کوفتگی یا بی‌حالی نمی‌کنم.", "label": "طبیعی (۰٪)", "color": 1},
+            {"score": 1, "text": "زودتر از گذشته احساس خستگی کرده و توان بدنی‌ام تحلیل می‌رود.", "label": "خفیف (۳۳٪)", "color": 2},
+            {"score": 2, "text": "خسته‌تر از آن هستم که بتوانم کارهایی را که قبلاً به راحتی انجام می‌دادم، پیش ببرم.", "label": "متوسط (۶۶٪)", "color": 4},
+            {"score": 3, "text": "به قدری احساس خستگی مفرط دارم که قادر به شروع کارهای ساده روزانه نیستم.", "label": "شدید (۱۰۰٪)", "color": 5}
         ]
     },
     {
@@ -320,7 +391,6 @@ BDI_QUESTIONS = [
     }
 ]
 
-# آزمون چهارم: ۲۷ سوال اهمال‌کاری تحصیلی سولومون
 SOLOMON_QUESTIONS = [
     {"id": 1, "text": "هنگام مطالعه برای امتحان مرتباً رویاپردازی می‌کنم و تمرکز کردن برایم دشوار است.", "dimension": "exam"},
     {"id": 2, "text": "تا لحظه‌ای که امکان داشته باشد، آماده شدن برای امتحانات را به تأخیر نمی‌اندازم.", "dimension": "exam"},
@@ -351,16 +421,30 @@ SOLOMON_QUESTIONS = [
     {"id": 27, "text": "علاقه‌مند هستم که عادت اهمال‌کاری و امروز و فردا کردن در انجام تکالیف را تغییر دهم.", "dimension": "paper"}
 ]
 
+# =====================================================================
+# مدل‌های اعتبارسنجی ورودی Pydantic
+# =====================================================================
 class AnswerItem(BaseModel):
     question_id: int
     score: int
 
-class AnalysisRequest(BaseModel):
+class UserSubmissionRequest(BaseModel):
     first_name: str
     last_name: str
-    test_type: str = Field(description="Type of test taken: 'mbti', 'bai', 'bdi', or 'solomon'")
+    phone: str = Field(pattern=r"^\+?[0-9]{10,15}$", description="شماره تلفن مراجع برای یکتا بودن پرونده")
+    test_type: str = Field(description="نوع آزمون گرفته شده: 'mbti'، 'bai'، 'bdi'، یا 'solomon'")
     answers: List[AnswerItem]
 
+class LoginRequest(BaseModel):
+    username: str
+    password: str
+
+class TrendAnalysisRequest(BaseModel):
+    test_type: str = Field(description="مجموعه آزمونی که تحلیل روند آن مورد نیاز است")
+
+# =====================================================================
+# ساختار خروجی تحلیل‌های تکی و روند سیستم هوش مصنوعی
+# =====================================================================
 class UniversalAnalysisSchema(BaseModel):
     test_type: str = Field(description="The type of test taken ('mbti', 'bai', 'bdi', or 'solomon')")
     mbti_type: str = Field(description="MBTI 4-letter type. Leave blank if not MBTI.")
@@ -387,6 +471,16 @@ class UniversalAnalysisSchema(BaseModel):
     careers: List[str] = Field(description="CBT practical exercises, career paths or recovery guides (4-5 items in Persian)")
     detailed_analysis: str = Field(description="Detailed psychological report with beautifully structured Markdown in Persian (3-4 paragraphs)")
 
+class TrendAnalysisSchema(BaseModel):
+    test_type: str = Field(description="نوع آزمون‌های مقایسه شده")
+    overall_status: str = Field(description="وضعیت کلی روند مراجع به زبان فارسی (مثال: رو به بهبود چشمگیر، نوسانی، پسرفت خفیف، پایدار بدون تغییر)")
+    trend_summary: str = Field(description="خلاصه روند تغییرات در ۲ الی ۳ جمله به زبان فارسی")
+    detailed_analysis: str = Field(description="تحلیل عمیق و مقایسه‌ای پیشرفت یا پسرفت در ابعاد مختلف آزمون‌ها با تیتربندی شکیل مارک‌داون فارسی")
+    advisor_guide: str = Field(description="راهنمای عملی و راهکارهای درمانی متناسب به تفکیک برای جلسات آینده مشاور جهت مداخله (۴ الی ۵ مورد به زبان فارسی)")
+
+# =====================================================================
+# دستورالعمل‌های سیستمی هوش مصنوعی (System Instructions)
+# =====================================================================
 MBTI_SYSTEM_INSTRUCTION = """
 شما یک روان‌شناس بالینی ارشد و متخصص حرفه‌ای آزمون‌های شخصیت‌شناسی به ویژه MBTI هستید.
 وظیفه شما تحلیل دقیق پاسخ‌های کاربر به آزمون ۳۰ سواله MBTI و تولید یک گزارش جامع، عمیق و علمی به زبان فارسی است.
@@ -413,6 +507,16 @@ SOLOMON_SYSTEM_INSTRUCTION = """
 بخش detailed_analysis را با تیترهای مارک‌داون تفکیک و تشریح کنید.
 """
 
+TREND_SYSTEM_INSTRUCTION = """
+شما یک سوپروایزر بالینی ارشد و متخصص روان‌درمانی تحلیلی هستید.
+داده‌های فرستاده شده شامل تاریخچه چندین آزمون متوالی روان‌شناختی یک مراجع با تاریخ و درصدهای دقیق در هر زیرمقیاس است.
+شما باید روند صعودی یا نزولی بهبودی یا پسرفت علائم را با هم مقایسه کرده، الگوهای رفتاری یا تحصیلی مراجع را موشکافی کنید و یک گزارش فوق‌العاده منسجم و تخصصی همراه با راهنمای مداخل�� درمانی برای هدایت جلسات بعدی روان‌شناس/مشاور به زبان فارسی آماده کنید.
+مخاطب مستقیم شما «مشاورِ مراجع» است؛ پس از اصطلاحات روان‌شناسی دقیق و توصیه‌های تخصصی استفاده کنید.
+"""
+
+# =====================================================================
+# توابع تحلیل محاسباتی و فرمول‌نویسی ریاضی آزمون‌ها (پایتون)
+# =====================================================================
 def calculate_mbti_raw(answers: List[AnswerItem]):
     scores = {"EI": 0, "SN": 0, "TF": 0, "JP": 0}
     counts = {"EI": 0, "SN": 0, "TF": 0, "JP": 0}
@@ -494,9 +598,7 @@ def calculate_bdi_raw(answers: List[AnswerItem]):
     return {"level": level, "total": total_score, "cognitive": cognitive_pct, "affective": affective_pct, "somatic": somatic_pct}
 
 def calculate_solomon_raw(answers: List[AnswerItem]):
-    # گویه‌های نیازمند نمره‌گذاری معکوس طبق پرسشنامه: ۲ - ۴ - ۶ - ۱۱ - ۱۳ - ۱۵ - ۱۶ و ۲۱ - ۲۳ - ۲۵
     reverse_ids = {2, 4, 6, 11, 13, 15, 16, 21, 23, 25}
-    
     subscales = {
         "exam": {"score": 0, "max": 0},
         "assignment": {"score": 0, "max": 0},
@@ -513,7 +615,7 @@ def calculate_solomon_raw(answers: List[AnswerItem]):
             
             raw_val = max(1, min(5, ans.score))
             if q_id in reverse_ids:
-                actual_score = 6 - raw_val  # نمره‌گذاری معکوس: ۵ به ۱، ۴ به ۲، ۳ به ۳، ۲ به ۴، ۱ به ۵
+                actual_score = 6 - raw_val
             else:
                 actual_score = raw_val
                 
@@ -521,7 +623,6 @@ def calculate_solomon_raw(answers: List[AnswerItem]):
             subscales[dim]["max"] += 5
             total_score += actual_score
             
-    # سطح‌بندی بر اساس نمره کل بین ۲۷ تا ۱۳۵
     if total_score <= 67:
         level = "اهمال‌کاری ضعیف (مطلوب)"
     elif total_score <= 101:
@@ -541,6 +642,9 @@ def calculate_solomon_raw(answers: List[AnswerItem]):
         "paper": paper_pct
     }
 
+# =====================================================================
+# روت‌های وب سرویس و صفحات HTML
+# =====================================================================
 @app.get("/", response_class=HTMLResponse)
 async def get_index():
     try:
@@ -549,43 +653,159 @@ async def get_index():
     except FileNotFoundError:
         raise HTTPException(status_code=404, detail="فایل index.html یافت نشد.")
 
+@app.get("/moshaver", response_class=HTMLResponse)
+async def get_moshaver_panel():
+    try:
+        with open("moshaver.html", "r", encoding="utf-8") as f:
+            return f.read()
+    except FileNotFoundError:
+        raise HTTPException(status_code=404, detail="فایل moshaver.html یافت نشد.")
+
 @app.get("/api/questions")
 async def get_questions(test_type: str = "mbti"):
     if test_type == "bai":
-        return [
-            {
-                "id": q["id"],
-                "text": q["text"],
-                "options": BAI_OPTIONS
-            } for q in BAI_QUESTIONS
-        ]
+        return [{"id": q["id"], "text": q["text"], "options": BAI_OPTIONS} for q in BAI_QUESTIONS]
     elif test_type == "bdi":
-        return [
-            {
-                "id": q["id"],
-                "text": q["text"],
-                "options": q["options"]
-            } for q in BDI_QUESTIONS
-        ]
+        return [{"id": q["id"], "text": q["text"], "options": q["options"]} for q in BDI_QUESTIONS]
     elif test_type == "solomon":
-        return [
-            {
-                "id": q["id"],
-                "text": q["text"],
-                "options": SOLOMON_OPTIONS
-            } for q in SOLOMON_QUESTIONS
-        ]
-    
-    return [
-        {
-            "id": q["id"],
-            "text": q["text"],
-            "options": MBTI_OPTIONS
-        } for q in MBTI_QUESTIONS
-    ]
-
-@app.post("/api/analyze")
-async def analyze_personality(payload: AnalysisRequest):
+        return [{"id": q["id"], "text": q["text"], "options": SOLOMON_OPTIONS} for q in SOLOMON_QUESTIONS]
+    return [{"id": q["id"], "text": q["text"], "options": MBTI_OPTIONS} for q in MBTI_QUESTIONS]
+
+# =====================================================================
+# ثبت و ذخیره‌سازی داده‌های مراجع در Neon PostgreSQL
+# =====================================================================
+@app.post("/api/submit_test")
+async def submit_test(payload: UserSubmissionRequest, db: Session = Depends(get_db)):
+    """ثبت پاسخ‌های مراجع در دیتابیس بدون فراخوانی مستقیم هوش مصنوعی جهت سرعت عمل بالا و صرفه‌جویی در هزینه"""
+    try:
+        # ۱. بررسی وجود پرونده کاربر با شماره موبایل
+        user = db.query(UserDB).filter(UserDB.phone == payload.phone).first()
+        if not user:
+            user = UserDB(
+                phone=payload.phone,
+                first_name=payload.first_name,
+                last_name=payload.last_name
+            )
+            db.add(user)
+            db.commit()
+            db.refresh(user)
+        else:
+            # به‌روزرسانی مشخصات در صورت تغییر احتمالی نام
+            user.first_name = payload.first_name
+            user.last_name = payload.last_name
+            db.commit()
+
+        # ۲. محاسبه ریاضی نمرات براساس نوع تست
+        if payload.test_type == "bai":
+            calc = calculate_bai_raw(payload.answers)
+        elif payload.test_type == "bdi":
+            calc = calculate_bdi_raw(payload.answers)
+        elif payload.test_type == "solomon":
+            calc = calculate_solomon_raw(payload.answers)
+        else:
+            calc = calculate_mbti_raw(payload.answers)
+
+        # ۳. ذخیره‌سازی سابقه تست
+        submission = TestSubmissionDB(
+            phone=payload.phone,
+            test_type=payload.test_type,
+            answers=[ans.dict() for ans in payload.answers],
+            calculated_scores=calc,
+            analysis_json=None  # به طور تعویقی (Lazy) وقتی مشاور کلیک کرد لود خواهد شد
+        )
+        db.add(submission)
+        db.commit()
+
+        return {
+            "success": True,
+            "message": "پاسخ‌های شما با موفقیت در دیتابیس یکپارچه تاپ دانش ثبت گردید. پرونده برای بررسی علمی مشاور آماده است."
+        }
+
+    except Exception as e:
+        traceback.print_exc()
+        return JSONResponse(status_code=500, content={"error": f"خطا در ثبت آزمون: {str(e)}"})
+
+# =====================================================================
+# APIهای پنل مدیریت مشاور (احراز هویت شده)
+# =====================================================================
+@app.post("/api/moshaver/login")
+async def moshaver_login(payload: LoginRequest, response: Response):
+    """احراز هویت مشاور و تخصیص کوکی نشست امن"""
+    if payload.username == MOSHAVER_USERNAME and payload.password == MOSHAVER_PASSWORD:
+        # تنظیم کوکی نشست امن برای مرورگر مشاور به مدت ۳۰ روز
+        response.set_cookie(
+            key="moshaver_session",
+            value=MOSHAVER_SESSION_TOKEN,
+            max_age=30 * 24 * 60 * 60,
+            httponly=True,
+            samesite="lax"
+        )
+        return {"success": True, "message": "لاگین موفقیت‌آمیز بود."}
+    else:
+        raise HTTPException(status_code=401, detail="نام کاربری یا رمز عبور مشاور اشتباه است.")
+
+@app.post("/api/moshaver/logout")
+async def moshaver_logout(response: Response):
+    response.delete_cookie("moshaver_session")
+    return {"success": True}
+
+@app.get("/api/moshaver/users")
+async def get_all_users(db: Session = Depends(get_db), auth: str = Depends(verify_moshaver_auth)):
+    """دریافت لیست کلیه مراجعان عضو سامانه همراه با تعداد آزمون‌های هر کدام"""
+    users = db.query(UserDB).all()
+    output = []
+    for u in users:
+        test_count = db.query(TestSubmissionDB).filter(TestSubmissionDB.phone == u.phone).count()
+        output.append({
+            "phone": u.phone,
+            "first_name": u.first_name,
+            "last_name": u.last_name,
+            "created_at": u.created_at.strftime("%Y-%m-%d %H:%M"),
+            "test_count": test_count
+        })
+    return output
+
+@app.get("/api/moshaver/user/{phone}/tests")
+async def get_user_test_history(phone: str, db: Session = Depends(get_db), auth: str = Depends(verify_moshaver_auth)):
+    """دریافت سوابق آزمون‌های ثبت‌شده برای مراجع خاص به همراه تاریخ"""
+    user = db.query(UserDB).filter(UserDB.phone == phone).first()
+    if not user:
+        raise HTTPException(status_code=404, detail="پرونده مراجع یافت نشد.")
+        
+    subs = db.query(TestSubmissionDB).filter(TestSubmissionDB.phone == phone).order_by(TestSubmissionDB.created_at.desc()).all()
+    history = []
+    for s in subs:
+        history.append({
+            "id": s.id,
+            "test_type": s.test_type,
+            "calculated_scores": s.calculated_scores,
+            "is_analyzed": s.analysis_json is not None,
+            "created_at": s.created_at.strftime("%Y-%m-%d %H:%M")
+        })
+    return {
+        "user": {
+            "first_name": user.first_name,
+            "last_name": user.last_name,
+            "phone": user.phone
+        },
+        "history": history
+    }
+
+# =====================================================================
+# موتور تحلیل تعویقی هوش مصنوعی (Lazy / On-demand Analysis)
+# =====================================================================
+@app.get("/api/moshaver/test/{test_id}/analysis")
+async def get_test_analysis(test_id: int, db: Session = Depends(get_db), auth: str = Depends(verify_moshaver_auth)):
+    """ارسال نمرات آزمون به Gemini در صورت عدم وجود کش قبلی و ذخیره نهایی گزارش در دیتابیس"""
+    sub = db.query(TestSubmissionDB).filter(TestSubmissionDB.id == test_id).first()
+    if not sub:
+        raise HTTPException(status_code=404, detail="آزمون مورد نظر یافت نشد.")
+        
+    # در صورتی که تحلیل قبلا ساخته شده، مستقیما بازگردانده می‌شود
+    if sub.analysis_json:
+        return sub.analysis_json
+
+    # دریافت کلید API هوش مصنوعی از متغیرهای سیستم
     api_key = (
         os.environ.get("model_api") or 
         os.environ.get("GEMINI_API_KEY") or 
@@ -595,21 +815,24 @@ async def analyze_personality(payload: AnalysisRequest):
     )
     
     if not api_key:
-        return JSONResponse(status_code=500, content={"error": "کلید ارتباطی یافت نشد. تنظیمات سرور را بررسی کنید."})
-    
-    if payload.test_type == "bai":
-        calc = calculate_bai_raw(payload.answers)
+        raise HTTPException(status_code=500, detail="کلید API مربوط به Google Gemini تنظیم نشده است.")
+
+    # تولید پرامپت براساس آزمون ثبت شده
+    calc = sub.calculated_scores
+    user = sub.user
+
+    if sub.test_type == "bai":
         system_instruction = BAI_SYSTEM_INSTRUCTION
         q_map = {q["id"]: q for q in BAI_QUESTIONS}
         answers_text_list = []
-        for ans in payload.answers:
-            q = q_map.get(ans.question_id)
+        for ans in sub.answers:
+            q = q_map.get(ans["question_id"])
             if q:
-                score_str = {0: "اصلا", 1: "خفیف", 2: "متوسط", 3: "شدید"}.get(ans.score, "نامشخص")
-                answers_text_list.append(f"سوال {ans.question_id}: '{q['text']}' -> پاسخ: {score_str}")
+                score_str = {0: "اصلا", 1: "خفیف", 2: "متوسط", 3: "شدید"}.get(ans["score"], "نامشخص")
+                answers_text_list.append(f"سوال {ans['question_id']}: '{q['text']}' -> پاسخ: {score_str}")
         answers_summary = "\n".join(answers_text_list)
         prompt_data = f"""
-        کاربر ارزیابی‌شونده: {payload.first_name} {payload.last_name}
+        کاربر ارزیابی‌شونده: {user.first_name} {user.last_name}
         آزمون انجام شده: سنجش بالینی اضطراب بک (BAI)
         
         محاسبات ریاضی پایه:
@@ -622,19 +845,19 @@ async def analyze_personality(payload: AnalysisRequest):
         پاسخ‌های کاربر:
         {answers_summary}
         """
-    elif payload.test_type == "bdi":
-        calc = calculate_bdi_raw(payload.answers)
+    elif sub.test_type == "bdi":
         system_instruction = BDI_SYSTEM_INSTRUCTION
         q_map = {q["id"]: q for q in BDI_QUESTIONS}
         answers_text_list = []
-        for ans in payload.answers:
-            q = q_map.get(ans.question_id)
+        for ans in sub.answers:
+            q = q_map.get(ans["question_id"])
             if q:
-                selected_opt = next((o["text"] for o in q["options"] if o["score"] == ans.score), "نامشخص")
-                answers_text_list.append(f"سوال {ans.question_id}: '{q['text']}' -> پاسخ کاربر: {selected_opt} (نمره: {ans.score})")
+                # یافتن تکست گزینه انتخاب شده
+                selected_opt = next((o["text"] for o in q["options"] if o["score"] == ans["score"]), "نامشخص")
+                answers_text_list.append(f"سوال {ans['question_id']}: '{q['text']}' -> پاسخ کاربر: {selected_opt} (نمره: {ans['score']})")
         answers_summary = "\n".join(answers_text_list)
         prompt_data = f"""
-        کاربر ارزیابی‌شونده: {payload.first_name} {payload.last_name}
+        کاربر ارزیابی‌شونده: {user.first_name} {user.last_name}
         آزمون انجام شده: سنجش بالینی افسردگی بک (BDI-II)
         
         محاسبات ریاضی پایه:
@@ -647,22 +870,21 @@ async def analyze_personality(payload: AnalysisRequest):
         پاسخ‌های تفصیلی کاربر:
         {answers_summary}
         """
-    elif payload.test_type == "solomon":
-        calc = calculate_solomon_raw(payload.answers)
+    elif sub.test_type == "solomon":
         system_instruction = SOLOMON_SYSTEM_INSTRUCTION
         q_map = {q["id"]: q for q in SOLOMON_QUESTIONS}
         answers_text_list = []
-        for ans in payload.answers:
-            q = q_map.get(ans.question_id)
+        for ans in sub.answers:
+            q = q_map.get(ans["question_id"])
             if q:
-                selected_opt = next((o["text"] for o in SOLOMON_OPTIONS if o["score"] == ans.score), "نامشخص")
-                answers_text_list.append(f"سوال {ans.question_id}: '{q['text']}' -> پاسخ: {selected_opt} (نمره خام: {ans.score})")
+                selected_opt = next((o["text"] for o in SOLOMON_OPTIONS if o["score"] == ans["score"]), "نامشخص")
+                answers_text_list.append(f"سوال {ans['question_id']}: '{q['text']}' -> پاسخ: {selected_opt} (نمره خام: {ans['score']})")
         answers_summary = "\n".join(answers_text_list)
         prompt_data = f"""
-        کاربر ارزیابی‌شونده: {payload.first_name} {payload.last_name}
+        کاربر ارزیابی‌شونده: {user.first_name} {user.last_name}
         آزمون انجام شده: سنجش علمی اهمال‌کاری تحصیلی سولومون
         
-        محاسبات ریاضی پایه (از این محاسبات دقیق در خروجی JSON استفاده کنید):
+        محاسبات ریاضی پایه:
         - فیلد test_type: مقدار "solomon" قرار گیرد.
         - فیلد solomon_level: مقدار "{calc['level']}" قرار گیرد.
         - فیلد somatic_score (درصد امتحانات): مقدار {calc['exam']} قرار گیرد.
@@ -676,18 +898,17 @@ async def analyze_personality(payload: AnalysisRequest):
         {answers_summary}
         """
     else:
-        calc = calculate_mbti_raw(payload.answers)
         system_instruction = MBTI_SYSTEM_INSTRUCTION
         q_map = {q["id"]: q for q in MBTI_QUESTIONS}
         answers_text_list = []
-        for ans in payload.answers:
-            q = q_map.get(ans.question_id)
+        for ans in sub.answers:
+            q = q_map.get(ans["question_id"])
             if q:
-                score_str = {2: "کاملاً موافق", 1: "موافق", 0: "ممتنع", -1: "مخالف", -2: "کاملاً مخالف"}.get(ans.score, "نامشخص")
-                answers_text_list.append(f"سوال {ans.question_id}: '{q['text']}' -> پاسخ: {score_str}")
+                score_str = {2: "کاملاً موافق", 1: "موافق", 0: "ممتنع", -1: "مخالف", -2: "کاملاً مخالف"}.get(ans["score"], "نامشخص")
+                answers_text_list.append(f"سوال {ans['question_id']}: '{q['text']}' -> پاسخ: {score_str}")
         answers_summary = "\n".join(answers_text_list)
         prompt_data = f"""
-        کاربر ارزیابی‌شونده: {payload.first_name} {payload.last_name}
+        کاربر ارزیابی‌شونده: {user.first_name} {user.last_name}
         آزمون انجام شده: تیپ‌شناسی شخصیت MBTI
         
         محاسبات ریاضی پایه:
@@ -705,38 +926,130 @@ async def analyze_personality(payload: AnalysisRequest):
         client = genai.Client(api_key=api_key)
         model = "gemini-3.5-flash"
         
-        try:
-            generate_content_config = types.GenerateContentConfig(
-                system_instruction=system_instruction,
-                response_mime_type="application/json",
-                response_schema=UniversalAnalysisSchema,
-                thinking_config=types.ThinkingConfig(
-                    thinking_level="high",
-                ),
+        generate_content_config = types.GenerateContentConfig(
+            system_instruction=system_instruction,
+            response_mime_type="application/json",
+            response_schema=UniversalAnalysisSchema,
+        )
+        
+        response = client.models.generate_content(
+            model=model,
+            contents=prompt_data,
+            config=generate_content_config,
+        )
+        
+        result_json = json.loads(response.text)
+        
+        # ذخیره کش تحلیل در جداول دیتابیس برای بازیابی آنی در مراجعات بعدی
+        sub.analysis_json = result_json
+        db.commit()
+        
+        return result_json
+        
+    except Exception as e:
+        traceback.print_exc()
+        raise HTTPException(status_code=500, detail=f"خطا در مدل پردازش هوشمند: {str(e)}")
+
+# =====================================================================
+# موتور تحلیل روند پیشرفت/پسرفت مراجع (Trend Analysis Engine)
+# =====================================================================
+@app.post("/api/moshaver/user/{phone}/trend")
+async def generate_trend_analysis(phone: str, payload: TrendAnalysisRequest, db: Session = Depends(get_db), auth: str = Depends(verify_moshaver_auth)):
+    """تحلیل روند تغییرات آزمون‌ها با فرستادن توالی زمانی داده‌ها به Gemini (حداقل ۳ آزمون)"""
+    user = db.query(UserDB).filter(UserDB.phone == phone).first()
+    if not user:
+        raise HTTPException(status_code=404, detail="پرونده مراجع یافت نشد.")
+
+    # استخراج تمام رکوردهای آزمون درخواستی به صورت صعودی (از گذشته تا به ام��وز)
+    subs = db.query(TestSubmissionDB).filter(
+        TestSubmissionDB.phone == phone,
+        TestSubmissionDB.test_type == payload.test_type
+    ).order_by(TestSubmissionDB.created_at.asc()).all()
+
+    if len(subs) < 3:
+        raise HTTPException(
+            status_code=400,
+            detail=f"جهت رسم و تحلیل روند بهبود مراجع، ثبت حداقل ۳ بار آزمون «{payload.test_type.upper()}» الزامی است."
+        )
+
+    # قالب‌بندی متنی سوابق به شکل توالی زمانی برای تحلیل دقیق هوش مصنوعی
+    test_history_text = []
+    for idx, s in enumerate(subs, 1):
+        date_str = s.created_at.strftime("%Y-%m-%d %H:%M")
+        scores = s.calculated_scores
+        
+        if payload.test_type == "mbti":
+            test_history_text.append(
+                f"تست شماره {idx} (تاریخ ثبت: {date_str}):\n"
+                f"- تیپ شخصیتی: {scores.get('mbti_type')}\n"
+                f"- برون‌گرایی: {scores.get('E')}% | درون‌گرایی: {scores.get('I')}%\n"
+                f"- حسی: {scores.get('S')}% | شهودی: {scores.get('N')}%\n"
+                f"- منطقی: {scores.get('T')}% | احساسی: {scores.get('F')}%\n"
+                f"- ساختارگرا: {scores.get('J')}% | انعطاف‌پذیر: {scores.get('P')}%\n"
             )
-            response = client.models.generate_content(
-                model=model,
-                contents=prompt_data,
-                config=generate_content_config,
+        elif payload.test_type == "bai":
+            test_history_text.append(
+                f"تست شماره {idx} (تاریخ ثبت: {date_str}):\n"
+                f"- نمره کل اضطراب: {scores.get('total')} از ۶۳ (سطح علائم: {scores.get('level')})\n"
+                f"- شدت علائم فیزیولوژیکی/جسمانی: {scores.get('somatic')}%\n"
+                f"- شدت علائم ذهنی/شناختی: {scores.get('cognitive')}%\n"
+                f"- شدت علائم هراس (Panic): {scores.get('panic')}%\n"
             )
-        except Exception as primary_err:
-            print(f"Primary API call failed. Using standard fallback: {str(primary_err)}")
-            generate_content_config = types.GenerateContentConfig(
-                system_instruction=system_instruction,
-                response_mime_type="application/json",
-                response_schema=UniversalAnalysisSchema,
+        elif payload.test_type == "bdi":
+            test_history_text.append(
+                f"تست شماره {idx} (تاریخ ثبت: {date_str}):\n"
+                f"- نمره کل افسردگی: {scores.get('total')} از ۶۳ (سطح خلق: {scores.get('level')})\n"
+                f"- شدت علائم شناختی: {scores.get('cognitive')}%\n"
+                f"- شدت علائم عاطفی/روحی: {scores.get('affective')}%\n"
+                f"- شدت علائم بدنی/جسمی: {scores.get('somatic')}%\n"
             )
-            response = client.models.generate_content(
-                model=model,
-                contents=prompt_data,
-                config=generate_content_config,
+        elif payload.test_type == "solomon":
+            test_history_text.append(
+                f"تست شماره {idx} (تاریخ ثبت: {date_str}):\n"
+                f"- نمره کل اهمال‌کاری: {scores.get('total')} از ۱۳۵ (سطح کلی: {scores.get('level')})\n"
+                f"- اهمال‌کاری امتحانات: {scores.get('exam')}%\n"
+                f"- اهمال‌کاری تکالیف: {scores.get('assignment')}%\n"
+                f"- اهمال‌کاری پروژه‌ها/مقاله‌ها: {scores.get('paper')}%\n"
             )
-            
-        result_json = json.loads(response.text)
-        return result_json
+
+    history_payload = "\n\n".join(test_history_text)
+    
+    prompt_data = f"""
+    نام مراجع ارزیابی‌شونده: {user.first_name} {user.last_name}
+    نوع آزمون مورد مقایسه: {payload.test_type.upper()}
+    تعداد مراحل ارزیابی شده: {len(subs)} مرحله
+    
+    تاریخچه داده‌های خام استخراج شده از دیتابیس پرونده مراجع به ترتیب زمانی:
+    {history_payload}
+    """
+
+    api_key = (
+        os.environ.get("model_api") or 
+        os.environ.get("GEMINI_API_KEY") or 
+        os.environ.get("GOOGLE_API_KEY") or
+        os.environ.get("api_key") or
+        os.environ.get("API_KEY")
+    )
+    
+    if not api_key:
+        raise HTTPException(status_code=500, detail="کلید API مربوط به Google Gemini تنظیم نشده است.")
+
+    try:
+        client = genai.Client(api_key=api_key)
+        generate_content_config = types.GenerateContentConfig(
+            system_instruction=TREND_SYSTEM_INSTRUCTION,
+            response_mime_type="application/json",
+            response_schema=TrendAnalysisSchema,
+        )
+        
+        response = client.models.generate_content(
+            model="gemini-3.5-flash",
+            contents=prompt_data,
+            config=generate_content_config,
+        )
+        
+        return json.loads(response.text)
         
     except Exception as e:
-        print("\n" + "="*50)
         traceback.print_exc()
-        print("="*50 + "\n")
-        return JSONResponse(status_code=500, content={"error": f"بروز خطا در پردازش مدل هوشمند: {str(e)}"})
+        raise HTTPException(status_code=500, detail=f"خطا در تولید تحلیل روند: {str(e)}")