Upload 2 files

app_unified (2).py

@@ -0,0 +1,534 @@
+import gradio as gr
+import re
+import os
+import requests
+import json
+import logging
+from typing import Dict, List, Tuple
+from llm_sender_unified import create_llm_sender, AVAILABLE_MODELS  # ✅ import ماژول جدید
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+class AnonymizerAdvanced:
+    """ناشناس‌ساز پیشرفته با روش‌های متعدد"""
+    
+    def __init__(self, cerebras_key: str = None, llm_provider: str = "chatgpt", llm_model: str = None):
+        self.cerebras_key = cerebras_key or os.getenv("CEREBRAS_API_KEY")
+        self.llm_provider = llm_provider
+        self.llm_model = llm_model
+        self.mapping_table = {}  # {placeholder: original_text}
+        self.reverse_mapping = {}  # {original_text: placeholder}
+        
+        # ✅ ایجاد LLM sender بر اساس provider انتخابی
+        self._create_llm_sender()
+        
+        logger.info(f"✅ Anonymizer Advanced مقداردهی شد با {llm_provider}")
+    
+    def _create_llm_sender(self):
+        """ایجاد LLM sender مناسب"""
+        try:
+            # گرفتن API key مناسب
+            if self.llm_provider == "chatgpt":
+                api_key = os.getenv("OPENAI_API_KEY")
+            elif self.llm_provider == "grok":
+                api_key = os.getenv("XAI_API_KEY")
+            else:
+                api_key = None
+            
+            # ایجاد sender
+            self.llm_sender = create_llm_sender(
+                provider=self.llm_provider,
+                api_key=api_key,
+                model=self.llm_model
+            )
+            
+            logger.info(f"✅ LLM Sender ایجاد شد: {self.llm_provider} - {self.llm_sender.model}")
+            
+        except Exception as e:
+            logger.error(f"❌ خطا در ایجاد LLM Sender: {e}")
+            # fallback to ChatGPT
+            self.llm_sender = create_llm_sender("chatgpt")
+
+    def set_llm_provider(self, provider: str, model: str = None):
+        """تغییر provider و مدل LLM"""
+        self.llm_provider = provider
+        self.llm_model = model
+        self._create_llm_sender()
+        logger.info(f"✅ LLM تغییر یافت به: {provider} - {model}")
+
+    def anonymize_with_cerebras(self, text: str) -> Tuple[str, Dict]:
+        """ناشناس‌سازی با Cerebras - دریافت mapping از مدل"""
+        logger.info("🧠 روش Cerebras...")
+        
+        if not self.cerebras_key:
+            logger.error("❌ Cerebras API Key موجود نیست")
+            raise ValueError("Cerebras API Key مورد نیاز است")
+        
+        try:
+            # مرحله 1: ناشناس‌سازی متن
+            prompt1 = f"""متن زیر را ناشناس کنید. قوانین:
+1. اسامی اشخاص → person-01, person-02, ...
+2. نام شرکت‌ها/سازمان‌ها → company-01, company-02, ...
+3. مقادیر پولی → amount-01, amount-02, ...
+4. درصدها → percent-01, percent-02, ...
+5. فقط این توکن‌ها استفاده کنید
+6. شماره‌های نسخه را درست حفظ کنید
+7. اگر موجودیت تکرار شود از شماره قدیمی استفاده کنید
+
+متن:
+{text}
+
+خروجی: فقط متن ناشناس شده"""
+            
+            response1 = requests.post(
+                "https://api.cerebras.ai/v1/chat/completions",
+                headers={
+                    "Authorization": f"Bearer {self.cerebras_key}",
+                    "Content-Type": "application/json"
+                },
+                json={
+                    "model": "llama-3.3-70b",
+                    "messages": [{"role": "user", "content": prompt1}],
+                    "max_tokens": 4096,
+                    "temperature": 0.1
+                },
+                timeout=60
+            )
+            
+            if response1.status_code != 200:
+                logger.error(f"❌ Cerebras Error: {response1.status_code}")
+                raise Exception(f"Cerebras API Error: {response1.status_code}")
+            
+            anonymized_text = response1.json()['choices'][0]['message']['content'].strip()
+            logger.info("✅ Cerebras: ناشناس‌سازی موفق")
+            
+            # مرحله 2: استخراج mapping از مدل
+            prompt2 = f"""متن اصلی:
+{text}
+
+متن ناشناس شده:
+{anonymized_text}
+
+لطفاً یک جدول mapping برای همه توکن‌های ناشناس ایجاد کن.
+برای هر توکن، متن اصلی کامل آن را مشخص کن.
+
+**مهم:** 
+- برای person-XX: نام کامل شخص (مثلاً "علی احمدی")
+- برای company-XX: نام کامل شرکت/سازمان (مثلاً "شرکت پتروشیمی")
+- برای amount-XX: عدد + واحد (مثلاً "80 هزار تومان" یا "50 میلیارد ریال")
+- برای percent-XX: عدد + کلمه "درصد" (مثلاً "40 درصد" نه فقط "40")
+
+خروجی را به این فرمت JSON بده (فقط JSON، بدون توضیح اضافی):
+{{
+  "person-01": "متن اصلی کامل",
+  "company-01": "متن اصلی کامل",
+  "amount-01": "متن اصلی کامل با واحد",
+  "percent-01": "عدد + درصد",
+  ...
+}}"""
+            
+            response2 = requests.post(
+                "https://api.cerebras.ai/v1/chat/completions",
+                headers={
+                    "Authorization": f"Bearer {self.cerebras_key}",
+                    "Content-Type": "application/json"
+                },
+                json={
+                    "model": "llama-3.3-70b",
+                    "messages": [{"role": "user", "content": prompt2}],
+                    "max_tokens": 2048,
+                    "temperature": 0.1
+                },
+                timeout=60
+            )
+            
+            if response2.status_code == 200:
+                mapping_text = response2.json()['choices'][0]['message']['content'].strip()
+                
+                # پاک‌سازی و parse کردن JSON
+                # حذف markdown code blocks اگر وجود داشته باشه
+                mapping_text = mapping_text.replace('```json', '').replace('```', '').strip()
+                
+                try:
+                    self.mapping_table = json.loads(mapping_text)
+                    
+                    # پست-پروسسینگ: اصلاح mapping برای percent ها
+                    self._fix_percent_mapping()
+                    
+                    # ساخت reverse mapping
+                    self.reverse_mapping = {v: k for k, v in self.mapping_table.items()}
+                    logger.info(f"✅ Mapping استخراج شد: {len(self.mapping_table)} موجودیت")
+                except json.JSONDecodeError:
+                    logger.warning("⚠️ خطا در parse کردن JSON mapping - استفاده از روش fallback")
+                    self._extract_mapping_from_text(text, anonymized_text)
+            else:
+                logger.warning("⚠️ خطا در دریافت mapping - استفاده از روش fallback")
+                self._extract_mapping_from_text(text, anonymized_text)
+            
+            return anonymized_text, self.mapping_table
+                
+        except Exception as e:
+            logger.error(f"❌ Cerebras Exception: {e}")
+            raise
+    
+    def _fix_percent_mapping(self):
+        """اصلاح mapping برای درصدها و مقادیر - اضافه کردن واحدها اگر فقط عدد باشد"""
+        for token, value in self.mapping_table.items():
+            value_str = str(value).strip()
+            
+            if token.startswith('percent-'):
+                # چک کنیم آیا کلمه "درصد" یا "%" در value هست
+                if not re.search(r'(درصد|%|درصدی)', value_str):
+                    # فقط عدد هست، کلمه "درصد" رو اضافه کن
+                    self.mapping_table[token] = f"{value_str} درصد"
+                    logger.info(f"✅ اصلاح {token}: '{value_str}' → '{value_str} درصد'")
+            
+            elif token.startswith('amount-'):
+                # چک کنیم آیا واحد پولی در value هست
+                if not re.search(r'(میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)', value_str):
+                    # فقط عدد هست، احتمالاً باید واحد اضافه بشه
+                    # اما نمی‌دونیم چه واحدی، پس warning بده
+                    logger.warning(f"⚠️ {token}: فقط عدد '{value_str}' - واحد مشخص نیست")
+
+    def _extract_mapping_from_text(self, original: str, anonymized: str):
+        """استخراج mapping از متن‌های اصلی و ناشناس شده - نسخه بهبود یافته"""
+        
+        # استخراج همه توکن‌های ناشناس از متن ناشناس‌سازی شده
+        all_tokens = []
+        for entity_type in ['person', 'company', 'amount', 'percent']:
+            tokens = re.findall(f'{entity_type}-\\d+', anonymized)
+            all_tokens.extend([(t, entity_type) for t in tokens])
+        
+        # حذف تکراری‌ها و مرتب‌سازی
+        all_tokens = sorted(set(all_tokens), key=lambda x: (x[1], int(x[0].split('-')[1])))
+        
+        # الگوهای موجودیت در متن اصلی
+        patterns = {
+            'person': r'\b[ء-ي]+\s+[ء-ي]+(?:\s+[ء-ي]+)*\b',
+            'company': r'(?:شرکت|بانک|سازمان|گروه|هلدینگ)\s+[ء-ي]+(?:\s+[ء-ي]+)*',
+            'amount': r'\d+(?:\.\d+)?\s*(?:میلیارد|میلیون|هزار|تومان|ریال|دلار|یورو|تن)',
+            'percent': r'\d+(?:\.\d+)?\s*(?:درصد|%|درصدی)',
+        }
+        
+        # استخراج موجودیت‌های اصلی
+        original_entities = {}
+        for entity_type, pattern in patterns.items():
+            matches = list(re.finditer(pattern, original))
+            original_entities[entity_type] = [m.group().strip() for m in matches]
+        
+        # نگاشت توکن‌ها به موجودیت‌های اصلی
+        for token, entity_type in all_tokens:
+            if entity_type in original_entities and original_entities[entity_type]:
+                # گرفتن شماره توکن (مثلاً از person-01 عدد 1 رو میگیریم)
+                token_num = int(token.split('-')[1]) - 1
+                
+                if token_num < len(original_entities[entity_type]):
+                    original_text = original_entities[entity_type][token_num]
+                    self.mapping_table[token] = original_text
+                    self.reverse_mapping[original_text] = token
+                else:
+                    # اگر شماره توکن بیشتر از تعداد موجودیت‌ها بود
+                    # از آخرین موجودیت استفاده کن
+                    original_text = original_entities[entity_type][-1]
+                    if token not in self.mapping_table:
+                        self.mapping_table[token] = original_text
+                        self.reverse_mapping[original_text] = token
+    
+    def analyze_with_llm(self, anonymized_text: str, analysis_prompt: str = None) -> str:
+        """
+        ✅ استفاده از LLM یکپارچه (ChatGPT یا Grok)
+        اجرای پرامپت‌های درون متن ناشناس‌سازی شده
+        """
+        logger.info(f"🤖 {self.llm_provider.upper()} اجرای پرامپت...")
+        
+        # اگر پرامپتی نیست، فقط متن ناشناس‌سازی شده برگردان
+        if not analysis_prompt or not analysis_prompt.strip():
+            logger.info("⚠️  پرامپت خالی - بدون تحلیل")
+            return "⚠️ هیچ دستور تحلیل داده نشده است"
+        
+        # ترکیب متن ناشناس‌سازی شده + پرامپت کاربر
+        combined_text = f"""متن ناشناس‌سازی شده:
+{anonymized_text}
+
+دستورات:
+{analysis_prompt}
+
+توجه: در پاسخ از همان کدهای ناشناس (person-XX, company-XX, amount-XX, percent-XX) استفاده کن."""
+        
+        try:
+            # ✅ ارسال به LLM انتخابی
+            response = self.llm_sender.send_simple(combined_text, lang='fa')
+            
+            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)}"
+    
+    def restore_text(self, anonymized_text: str) -> str:
+        """بازگردانی متن ناشناس‌سازی شده به اصلی"""
+        logger.info("🔄 بازگردانی متن...")
+        
+        if not self.mapping_table:
+            logger.warning("⚠️ جدول نگاشت خالی است")
+            return anonymized_text
+        
+        restored = anonymized_text
+        
+        # جایگزینی placeholder ها با متن اصلی
+        for placeholder, original in sorted(self.mapping_table.items()):
+            restored = restored.replace(placeholder, original)
+        
+        logger.info("✅ بازگردانی کامل")
+        return restored
+    
+    def get_mapping_table_md(self) -> str:
+        """تبدیل جدول نگاشت به Markdown"""
+        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 = None
+
+def process(
+    input_text: str, 
+    analysis_prompt: str, 
+    llm_provider: str, 
+    llm_model: str
+):
+    """پردازش متن - 4 مرحله"""
+    global anonymizer
+    
+    if not input_text.strip():
+        return "", "", "", ""
+    
+    cerebras_key = os.getenv("CEREBRAS_API_KEY")
+    
+    # ✅ ایجاد یا آپدیت anonymizer با provider و model جدید
+    if not anonymizer:
+        anonymizer = AnonymizerAdvanced(
+            cerebras_key, 
+            llm_provider=llm_provider,
+            llm_model=llm_model
+        )
+    else:
+        # آپدیت provider و model
+        anonymizer.set_llm_provider(llm_provider, llm_model)
+        anonymizer.mapping_table = {}
+        anonymizer.reverse_mapping = {}
+    
+    try:
+        logger.info("=" * 70)
+        logger.info(f"🚀 ��روع پردازش - LLM: {llm_provider} ({llm_model})")
+        logger.info("=" * 70)
+        
+        # مرحله 1: ناشناس‌سازی
+        logger.info("📝 مرحله 1: ناشناس‌سازی...")
+        anonymized_text, _ = anonymizer.anonymize_with_cerebras(input_text)
+        logger.info(f"✅ ناشناس‌سازی: {len(anonymized_text)} کاراکتر")
+        
+        # مرحله 2: LLM با متن ناشناس‌سازی شده + دستورات
+        logger.info(f"🤖 مرحله 2: {llm_provider.upper()}...")
+        llm_response = anonymizer.analyze_with_llm(anonymized_text, analysis_prompt)
+        logger.info(f"✅ {llm_provider.upper()}: {len(llm_response)} کاراکتر")
+        
+        # مرحله 3: بازگردانی پاسخ LLM
+        logger.info("🔄 مرحله 3: بازگردانی...")
+        restored_text = anonymizer.restore_text(llm_response)
+        logger.info("✅ بازگردانی کامل")
+        
+        # مرحله 4: جدول نگاشت
+        logger.info("📋 مرحله 4: جدول نگاشت...")
+        mapping_str = anonymizer.get_mapping_table_md()
+        logger.info(f"✅ {len(anonymizer.mapping_table)} موجودیت")
+        
+        logger.info("=" * 70)
+        logger.info("✅ تمام مراحل کامل!")
+        logger.info("=" * 70)
+        
+        return restored_text, llm_response, anonymized_text, mapping_str
+        
+    except Exception as e:
+        logger.error(f"❌ خطا: {str(e)}", exc_info=True)
+        return "", f"❌ خطا: {str(e)}", "", ""
+
+def clear_all():
+    """پاک کردن همه"""
+    return "", "", "", "", "", ""
+
+def update_model_choices(provider: str):
+    """آپدیت لیست مدل‌ها بر اساس provider انتخابی"""
+    models = AVAILABLE_MODELS.get(provider, [])
+    return gr.Dropdown(choices=models, value=models[0] if models else None)
+
+# Gradio Interface
+css_rtl = """
+.input-box { direction: rtl; text-align: right; }
+.textbox textarea { direction: rtl; text-align: right; font-family: 'Tahoma', serif; }
+"""
+
+with gr.Blocks(title="سیستم ناشناس‌سازی متون", theme=gr.themes.Soft(), css=css_rtl) as app:
+    
+    gr.Markdown("# 🔐 سیستم ناشناس‌سازی متون مالی فارسی", elem_classes="input-box")
+    
+    # ============================================
+    # صفحه اول: دکمه‌ها (راست) + ورودی (چپ)
+    # ============================================
+    with gr.Row():
+        # سمت راست: دکمه‌ها و دستورات
+        with gr.Column(scale=1):
+            # ✅ انتخاب LLM Provider
+            with gr.Group():
+                gr.Markdown("### ⚙️ تنظیمات مدل", elem_classes="input-box")
+                
+                llm_provider = gr.Dropdown(
+                    choices=["chatgpt", "grok"],
+                    value="chatgpt",
+                    label="🤖 انتخاب LLM",
+                    interactive=True
+                )
+                
+                llm_model = gr.Dropdown(
+                    choices=AVAILABLE_MODELS["chatgpt"],
+                    value="gpt-4o-mini",
+                    label="📦 انتخاب مدل",
+                    interactive=True
+                )
+            
+            gr.Markdown("---")
+            
+            analysis_prompt = gr.Textbox(
+                lines=6,
+                placeholder="مثال: این متن را خلاصه کن\nیا: نکات کلیدی را استخراج کن",
+                label="📋 دستورات LLM (اختیاری)",
+                elem_classes="textbox"
+            )
+            
+            gr.Markdown("---")
+            
+            with gr.Column():
+                process_btn = gr.Button(
+                    "▶️ پردازش",
+                    variant="primary",
+                    size="lg"
+                )
+                
+                clear_btn = gr.Button(
+                    "🗑️ پاک کردن",
+                    variant="stop",
+                    size="lg"
+                )
+        
+        # سمت چپ: متن ورودی (بزرگ‌تر)
+        with gr.Column(scale=3):
+            input_text = gr.Textbox(
+                lines=18,
+                placeholder="متن مالی/خبری را وارد کنید...",
+                label="📝 متن ورودی",
+                elem_classes="textbox"
+            )
+    
+    # ============================================
+    # صفحه دوم: 3 باکس نتایج (وسط)
+    # ============================================
+    gr.Markdown("---")
+    gr.Markdown("## 📊 نتایج پردازش", elem_classes="input-box")
+    
+    with gr.Row():
+        # باکس 1: متن بازگردانی شده (راست)
+        with gr.Column(scale=1):
+            restored_text = gr.Textbox(
+                lines=12,
+                label="✅ متن بازگردانی شده",
+                interactive=False,
+                elem_classes="textbox"
+            )
+        
+        # باکس 2: تحلیل LLM (وسط)
+        with gr.Column(scale=1):
+            llm_analysis = gr.Textbox(
+                lines=12,
+                label="🤖 تحلیل LLM",
+                interactive=False,
+                elem_classes="textbox"
+            )
+        
+        # باکس 3: متن ناشناس‌شده (چپ)
+        with gr.Column(scale=1):
+            anonymized_text = gr.Textbox(
+                lines=12,
+                label="🔒 متن ناشناس‌شده",
+                interactive=False,
+                elem_classes="textbox"
+            )
+    
+    # ============================================
+    # پایین: جدول نگاشت (Markdown)
+    # ============================================
+    gr.Markdown("---")
+    
+    mapping_table = gr.Markdown(
+        value="### 📋 جدول نگاشت\n\nهنوز پردازشی انجام نشده",
+        label="📋 جدول نگاشت",
+        elem_classes="input-box"
+    )
+    
+    # ============================================
+    # Event Handlers
+    # ============================================
+    
+    # ✅ آپدیت مدل‌ها هنگام تغییر provider
+    llm_provider.change(
+        fn=update_model_choices,
+        inputs=[llm_provider],
+        outputs=[llm_model]
+    )
+    
+    # پردازش
+    process_btn.click(
+        fn=process,
+        inputs=[input_text, analysis_prompt, llm_provider, llm_model],
+        outputs=[restored_text, llm_analysis, anonymized_text, mapping_table]
+    )
+    
+    # پاک کردن
+    clear_btn.click(
+        fn=clear_all,
+        outputs=[input_text, analysis_prompt, restored_text, llm_analysis, anonymized_text, mapping_table]
+    )
+
+if __name__ == "__main__":
+    print("=" * 70)
+    print("🚀 سیستم ناشناس‌سازی متون در حال راه‌اندازی...")
+    print("=" * 70)
+    print("\n📋 نحوه استفاده:\n")
+    print("1. کلیدهای API را تنظیم کنید:")
+    print("   - CEREBRAS_API_KEY (ضروری)")
+    print("   - OPENAI_API_KEY (برای ChatGPT)")
+    print("   - XAI_API_KEY (برای Grok)")
+    print("2. http://localhost:7860 را باز کنید")
+    print("3. LLM و مدل را انتخاب کنید")
+    print("4. متن را وارد کنید")
+    print("5. 'پردازش' را کلیک کنید\n")
+    print("LLM‌های پشتیبانی‌شده:")
+    print("  🤖 ChatGPT: gpt-4o-mini, gpt-4o, gpt-4-turbo")
+    print("  🤖 Grok: grok-beta (رایگان), grok-3-mini, grok-3")
+    print("=" * 70 + "\n")
+    
+    app.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        show_error=True
+    )

llm_sender_unified (2).py

@@ -0,0 +1,312 @@
+"""
+🤖 LLM Sender Unified Module
+ماژول یکپارچه برای ارسال به ChatGPT و Grok
+"""
+
+import requests
+import os
+import logging
+from typing import Optional
+import time
+from abc import ABC, abstractmethod
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+
+class LLMSender(ABC):
+    """کلاس پایه برای ارسال به مدل‌های مختلف LLM"""
+    
+    def __init__(self, api_key: Optional[str] = None, model: str = None):
+        self.api_key = api_key
+        self.model = model
+        self.base_url = ""
+        
+    @abstractmethod
+    def get_default_model(self) -> str:
+        """مدل پیش‌فرض"""
+        pass
+    
+    @abstractmethod
+    def get_base_url(self) -> str:
+        """URL پایه API"""
+        pass
+    
+    def set_api_key(self, api_key: str):
+        """تنظیم کلید API"""
+        self.api_key = api_key
+        logger.info("✅ کلید API تنظیم شد")
+    
+    def set_model(self, model: str):
+        """تغییر مدل"""
+        self.model = model
+        logger.info(f"✅ مدل تغییر یافت به: {model}")
+    
+    def send_simple(self, text: str, lang: str = 'fa') -> str:
+        """ارسال ساده بدون system message سفارشی"""
+        system_msg = (
+            "شما یک تحلیلگر متخصص هستید. متن حاوی کدهای ناشناس است. "
+            "به درخواست‌ها با دقت و حرفه‌ای پاسخ دهید."
+            if lang == 'fa' 
+            else "You are a professional analyst. The text contains anonymous codes. "
+                 "Answer requests accurately and professionally."
+        )
+        
+        return self.send(text, system_msg=system_msg, lang=lang)
+    
+    def send(
+        self,
+        text: str,
+        system_msg: Optional[str] = None,
+        max_tokens: int = 2000,
+        temperature: float = 0.7,
+        timeout: int = 60,
+        lang: str = 'fa',
+        retry_count: int = 3
+    ) -> str:
+        """ارسال متن به LLM با کنترل کامل"""
+        try:
+            # بررسی اولیه
+            if not text or not text.strip():
+                error_msg = "متن خالی است!" if lang == 'fa' else "Text is empty!"
+                logger.error(f"❌ {error_msg}")
+                return f"❌ {error_msg}"
+            
+            if not self.api_key:
+                error_msg = "کلید API تنظیم نشده است!" if lang == 'fa' else "API Key not configured!"
+                logger.error(f"❌ {error_msg}")
+                return f"❌ {error_msg}"
+            
+            # تنظیم system message پیش‌فرض
+            if system_msg is None:
+                system_msg = (
+                    "شما یک تحلیلگر مالی حرفه‌ای هستید. متن حاوی کدهای ناشناس است. "
+                    "به سوالات با دقت پاسخ دهید."
+                    if lang == 'fa'
+                    else "You are a professional financial analyst. The text contains anonymous codes. "
+                         "Answer questions accurately."
+                )
+            
+            # تهیه headers
+            headers = {
+                "Authorization": f"Bearer {self.api_key}",
+                "Content-Type": "application/json"
+            }
+            
+            # ساخت request body
+            data = {
+                "model": self.model,
+                "messages": [
+                    {"role": "system", "content": system_msg},
+                    {"role": "user", "content": text}
+                ],
+                "max_tokens": max_tokens,
+                "temperature": temperature
+            }
+            
+            # ارسال با retry mechanism
+            for attempt in range(retry_count):
+                try:
+                    logger.info(f"📤 ارسال درخواست به {self.__class__.__name__} (تلاش {attempt + 1}/{retry_count})...")
+                    
+                    response = requests.post(
+                        self.base_url,
+                        headers=headers,
+                        json=data,
+                        timeout=timeout
+                    )
+                    
+                    # پردازش پاسخ موفق
+                    if response.status_code == 200:
+                        result = response.json()
+                        llm_response = result['choices'][0]['message']['content']
+                        logger.info("✅ پاسخ دریافت شد")
+                        return llm_response
+                    
+                    # پردازش خطاهای مختلف
+                    elif response.status_code == 429:  # Rate limiting
+                        wait_time = 5 * (attempt + 1)
+                        logger.warning(f"⚠️  Rate limit | صبر: {wait_time} ثانیه")
+                        if attempt < retry_count - 1:
+                            time.sleep(wait_time)
+                            continue
+                        else:
+                            return (
+                                "❌ سهمیه API تمام شده است. لطفاً بعداً تلاش کنید."
+                                if lang == 'fa'
+                                else "❌ API quota exceeded. Please try later."
+                            )
+                    
+                    elif response.status_code == 401:
+                        return (
+                            "❌ کلید API نامعتبر است!"
+                            if lang == 'fa'
+                            else "❌ Invalid API key!"
+                        )
+                    
+                    elif response.status_code in [502, 503, 504]:  # Server errors
+                        wait_time = 2 * (attempt + 1)
+                        logger.warning(f"⚠️  Server error {response.status_code} | صبر: {wait_time} ثانیه")
+                        if attempt < retry_count - 1:
+                            time.sleep(wait_time)
+                            continue
+                        else:
+                            return (
+                                f"❌ خطای سرور: {response.status_code}"
+                                if lang == 'fa'
+                                else f"❌ Server error: {response.status_code}"
+                            )
+                    
+                    else:
+                        # خطای دیگر
+                        error_data = response.json() if response.content else {}
+                        error_msg = error_data.get('error', {}).get('message', response.text)
+                        logger.error(f"❌ API Error: {error_msg}")
+                        return f"❌ API Error: {error_msg}"
+                
+                except requests.exceptions.Timeout:
+                    logger.warning("⚠️  Timeout | صبر: 3 ثانیه و تلاش مجدد")
+                    if attempt < retry_count - 1:
+                        time.sleep(3)
+                        continue
+                    else:
+                        return (
+                            "❌ خطای اتصال: timeout"
+                            if lang == 'fa'
+                            else "❌ Connection error: timeout"
+                        )
+                
+                except requests.exceptions.ConnectionError as e:
+                    logger.warning("⚠️  Connection error | صبر: 2 ثانیه و تلاش مجدد")
+                    if attempt < retry_count - 1:
+                        time.sleep(2)
+                        continue
+                    else:
+                        return (
+                            f"❌ خطای اتصال: {str(e)}"
+                            if lang == 'fa'
+                            else f"❌ Connection error: {str(e)}"
+                        )
+        
+        except Exception as e:
+            logger.error(f"❌ خطای غیرمنتظره: {str(e)}")
+            return (
+                f"❌ خطا در ارتباط با LLM: {str(e)}"
+                if lang == 'fa'
+                else f"❌ Error connecting to LLM: {str(e)}"
+            )
+
+
+class ChatGPTSender(LLMSender):
+    """کلاس برای ارسال به ChatGPT"""
+    
+    def __init__(self, api_key: Optional[str] = None, model: str = "gpt-4o-mini"):
+        super().__init__(api_key or os.getenv("OPENAI_API_KEY", ""), model)
+        self.base_url = self.get_base_url()
+        
+        if not self.api_key:
+            logger.warning("⚠️  کلید OpenAI API تنظیم نشده است!")
+    
+    def get_default_model(self) -> str:
+        return "gpt-4o-mini"
+    
+    def get_base_url(self) -> str:
+        return "https://api.openai.com/v1/chat/completions"
+
+
+class GrokSender(LLMSender):
+    """کلاس برای ارسال به Grok (xAI)"""
+    
+    def __init__(self, api_key: Optional[str] = None, model: str = "grok-beta"):
+        super().__init__(api_key or os.getenv("XAI_API_KEY", ""), model)
+        self.base_url = self.get_base_url()
+        
+        if not self.api_key:
+            logger.warning("⚠️  کلید xAI API تنظیم نشده است!")
+    
+    def get_default_model(self) -> str:
+        return "grok-beta"
+    
+    def get_base_url(self) -> str:
+        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
+    """
+    provider = provider.lower()
+    
+    if provider == "chatgpt":
+        if model is None:
+            model = "gpt-4o-mini"
+        return ChatGPTSender(api_key=api_key, model=model)
+    
+    elif provider == "grok":
+        if model is None:
+            model = "grok-beta"
+        return GrokSender(api_key=api_key, model=model)
+    
+    else:
+        raise ValueError(f"Provider نامعتبر: {provider}. باید 'chatgpt' یا 'grok' باشد")
+
+
+# مدل‌های موجود برای هر provider
+AVAILABLE_MODELS = {
+    "chatgpt": [
+        "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
+    ]
+}
+
+
+if __name__ == "__main__":
+    print("=" * 60)
+    print("🤖 LLM Sender Unified - مثال استفاده")
+    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: لیست مدل‌ها
+    print("\n3️⃣  مدل‌های موجود:")
+    for provider, models in AVAILABLE_MODELS.items():
+        print(f"\n{provider.upper()}:")
+        for model in models:
+            print(f"  - {model}")