app.py

import gradio as gr
import os
import json
import logging
from agent import GAIAAgent, MemoryManager
from tools import WebSearchTool, CalculatorTool, CodeExecutionTool

# تكوين التسجيل
logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger("GAIA-Agent-UI")

# إنشاء الأدوات
tools = [
    WebSearchTool(),
    CalculatorTool(),
    CodeExecutionTool()
]

# إنشاء العميل
memory_manager = MemoryManager()
agent = GAIAAgent(
    model_name="gpt-3.5-turbo", # يمكن استبدالها بنموذج مفتوح المصدر مثل Mistral
    tools=tools,
    memory_manager=memory_manager
)

# استرجاع المهام المتاحة من GAIA
def get_available_tasks():
    # في بيئة حقيقية، سنقوم باسترجاع هذه المهام من معيار GAIA
    return [
        "climate_research",
        "mathematical_problem",
        "online_shopping",
        "travel_planning",
        "code_debugging"
    ]

# تنفيذ المهمة
def run_task(task_name, max_steps=10):
    logger.info(f"بدء المهمة: {task_name}")
    
    # تعريف المهام
    tasks = {
        "climate_research": "ابحث عن أحدث الدراسات حول تأثير تغير المناخ على مستويات سطح البحر وقدم ملخصًا للنتائج الرئيسية.",
        "mathematical_problem": "حل المعادلة التالية: x^2 - 4x + 4 = 0 وشرح جميع الخطوات.",
        "online_shopping": "ابحث عن أفضل لابتوب للطلاب بميزانية 800 دولار وقدم ثلاثة خيارات مع مقارنة بينها.",
        "travel_planning": "خطط لرحلة مدتها 3 أيام إلى باريس، فرنسا. اقترح جدولًا زمنيًا والمعالم السياحية والمطاعم.",
        "code_debugging": "قم بتصحيح الكود التالي:\ndef fibonacci(n):\n    if n <= 0:\n        return []\n    elif n == 1:\n        return [0]\n    result = [0, 1]\n    for i in range(2, n):\n        result.append(result[i-1] - result[i-2])\n    return result"
    }
    
    # تنفيذ المهمة
    task_description = tasks.get(task_name, "مهمة غير معروفة")
    results = agent.run(task_description, max_steps=max_steps)
    
    # تنسيق النتائج
    output_log = []
    for step in results["steps"]:
        output_log.append(f"### الخطوة {step['step_num']}:")
        output_log.append(f"**ملاحظة**: {step['observation']}")
        output_log.append(f"**تفكير**: {step['reasoning']}")
        output_log.append(f"**إجراء**: {step['action']}")
        if step.get('tool_output'):
            output_log.append(f"**نتيجة الأداة**: {step['tool_output']}")
        output_log.append("")
    
    output_log.append(f"### النتيجة النهائية:")
    output_log.append(results["final_answer"])
    
    # إعادة تقييم
    evaluation = agent.evaluate_task_performance(task_description, results)
    output_log.append(f"\n### التقييم:")
    output_log.append(f"**النتيجة**: {evaluation['score']:.2f}%")
    output_log.append(f"**التعليق**: {evaluation['feedback']}")
    
    return "\n".join(output_log)

# إنشاء واجهة المستخدم
with gr.Blocks(title="عميل GAIA للذكاء الاصطناعي") as demo:
    gr.Markdown("# عميل GAIA للذكاء الاصطناعي")
    gr.Markdown("اختر مهمة من معيار GAIA لتنفيذها باستخدام العميل الذكي.")
    
    with gr.Row():
        with gr.Column():
            task_dropdown = gr.Dropdown(
                choices=get_available_tasks(),
                label="اختر المهمة"
            )
            max_steps = gr.Slider(
                minimum=1,
                maximum=20,
                value=10,
                step=1,
                label="الحد الأقصى للخطوات"
            )
            run_button = gr.Button("تشغيل العميل")
        
        with gr.Column():
            output = gr.Markdown(label="مخرجات العميل")
    
    run_button.click(
        fn=run_task,
        inputs=[task_dropdown, max_steps],
        outputs=output
    )

demo.launch()