app.py

import gradio as gr
import pandas as pd
from openai import OpenAI
import json
import os

# تنظیم API کلاینت با متغیر محیطی
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
    raise ValueError("OPENAI_API_KEY در متغیرهای محیطی تنظیم نشده است.")
client = OpenAI(api_key=api_key)

# متغیرهای سراسری
iteration_count = 0
iteration_history = ""
prompt_output = ""
knowledge_base_output = ""
faq_output = ""
business_info = None
product_info = None

# پرامپت مادر با جزئیات کامل
mother_prompt = """
You are the Nova System, an innovative problem-solving approach implemented by a dynamic consortium of virtual experts, each serving a distinct role. Your goal is to assist the user in generating high-quality prompts, a comprehensive knowledge base, and an automatically generated Frequently Asked Questions (FAQ) section for chatbots.

**Nova System Process:**
The Nova System process is iterative and cyclical, involving the following key stages:
1. **Receiving and Processing User Information Forms:** Process the information from the Business Information Form and Product/Service Information Form provided by the user.
2. **Assigning Expert Roles:** 
   - **Discussion Continuity Expert (DCE):** Manage and guide the process, provide instructions, summarize progress, and define goals for each iteration.
   - **Prompt Engineering Expert (PEE):** Generate initial drafts of:
     - Chatbot prompt in English with sections: Persona, Tone, Guidelines, About Us, Responses to Common Questions, Contact Information, Additional Guidelines. Tone must be friendly, casual, concise (under 100 words per response unless necessary), and use loving emojis.
     - Knowledge base in JSON-like format with fields: name, description, variants (size and price), objectID.
     - FAQ in JSON-like format with categories, topics, questions, and short, friendly answers.
   - **Critical Analysis Expert (CAE):** Review and critique outputs, ensuring they match the desired tone, structure, and detail level, providing improvement suggestions.
3. **Iterations and Expert Dialogue:** Conduct iterations with the following steps in Persian (Farsi):
   - **DCE's Instructions:** Provide instructions for PEE and CAE.
   - **PEE Output:** Generate or refine chatbot prompt, knowledge base, and FAQ.
   - **CAE Analysis:** Critique PEE outputs and suggest improvements.
   - **DCE Summary:** Summarize progress and set goals for the next iteration.
4. **Iterate the Process:** Continue until high-quality outputs are achieved.
5. **Present the Final Outputs:** 
   - Final prompt in English with specified sections.
   - Knowledge base in JSON-like format.
   - FAQ in JSON-like format.
   - Separate each section with exactly "---" (three dashes) and nothing else. **Do not add any extra text before, after, or between sections (e.g., no "Here is the output", no headings like "### Prompt:", no explanations).**

Conduct all dialogues in Persian, but output the final prompt in English and knowledge base/FAQ in JSON-like format. Ensure the tone is friendly, casual, and uses loving emojis where appropriate.
"""

# تابع برای تبدیل داده‌ها به فرمت JSON-serializable
def convert_to_serializable(obj):
    if isinstance(obj, pd.Timestamp):
        return obj.isoformat()
    elif isinstance(obj, list):
        return [convert_to_serializable(item) for item in obj]
    elif isinstance(obj, dict):
        return {key: convert_to_serializable(value) for key, value in obj.items()}
    return obj

# تابع برای اعتبارسنجی و اصلاح خروجی
def validate_and_fix_output(output):
    print("خروجی خام مدل:", output)  # چاپ خروجی خام برای دیباگ
    parts = output.split("---")
    parts = [part.strip() for part in parts if part.strip()]  # حذف بخش‌های خالی
    print("بخش‌های جدا شده:", parts)  # چاپ بخش‌ها برای دیباگ
    
    # اگه متن اضافی قبل از اولین --- بود، اون رو نادیده بگیر
    if len(parts) > 3 and not parts[0].startswith("**Persona:") and not parts[0].startswith("["):
        parts = parts[1:]  # متن اضافی رو حذف کن و از بخش بعدی شروع کن
    
    # تخصیص بخش‌ها بر اساس ترتیب
    prompt_part = parts[0] if len(parts) > 0 else "پرامپت تولید نشد 😔"
    kb_part = parts[1] if len(parts) > 1 else "پایگاه دانش تولید نشد 😕"
    faq_part = parts[2] if len(parts) > 2 else "FAQ تولید نشد 🥳"
    
    return [prompt_part, kb_part, faq_part]

# تابع برای خوندن و پردازش فایل‌های اکسل
def process_excel_files(file1, file2):
    global business_info, product_info
    business_info = pd.read_excel(file1.name).to_dict(orient="records")[0]
    product_info = pd.read_excel(file2.name).to_dict(orient="records")
    return business_info, product_info

# تابع شروع فرایند
def start_process(file1, file2):
    global iteration_count, iteration_history, business_info, product_info
    iteration_count = 1
    iteration_history = "سلام عزیزم! من سیستم نوا هستم، یه دستیار باحال برای ساخت پرامپت، پایگاه دانش و FAQ 😍 فرایند شروع شد!\n"
    
    # پردازش فایل‌ها
    business_info, product_info = process_excel_files(file1, file2)
    business_info_serializable = convert_to_serializable(business_info)
    product_info_serializable = convert_to_serializable(product_info)
    
    # دستورات DCE
    dce_instructions = f"iteration {iteration_count}: لطفاً یه پرامپت به انگلیسی (با بخش‌های Persona, Tone, Guidelines, About Us و غیره)، پایگاه دانش به فرمت JSON (با name, description, variants, objectID) و FAQ به فرمت JSON (با دسته‌بندی و جواب‌های کوتاه و دوستانه) بسازید."
    iteration_history += f"**دستورات DCE:** {dce_instructions}\n"
    
    # تولید توسط PEE
    pee_prompt = f"""
    {mother_prompt}
    شما Prompt Engineering Expert (PEE) هستید. بر اساس اطلاعات زیر، پرامپت، پایگاه دانش و FAQ رو بسازید:
    اطلاعات کسب‌وکار: {json.dumps(business_info_serializable, ensure_ascii=False)}
    اطلاعات محصولات: {json.dumps(product_info_serializable, ensure_ascii=False)}
    {dce_instructions}
    خروجی رو با --- جدا کنید.
    """
    pee_response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": pee_prompt}]
    )
    pee_output = pee_response.choices[0].message.content
    iteration_history += f"**خروجی PEE:**\n{pee_output}\n"
    
    # نقد توسط CAE
    cae_prompt = f"""
    {mother_prompt}
    شما Critical Analysis Expert (CAE) هستید. خروجی PEE رو نقد کنید، مطمئن شید لحن دوستانه‌ست، ساختار JSON درسته و جزئیات کافی داره:
    خروجی PEE:\n{pee_output}
    """
    cae_response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": cae_prompt}]
    )
    cae_output = cae_response.choices[0].message.content
    iteration_history += f"**نقد CAE:**\n{cae_output}\n"
    
    # جمع‌بندی DCE
    dce_summary = f"""
    **جمع‌بندی DCE:** iteration {iteration_count} تموم شد 🌟
    **وضعیت فعلی:** پرامپت، پایگاه دانش و FAQ اولیه ساخته شدن.
    **اهداف بعدی:**
    #G-{iteration_count}-1: بهبود لحن و جزئیات بر اساس نقد CAE.
    #G-{iteration_count}-2: تکمیل فرمت JSON.
    **پایان iteration {iteration_count}**
    """
    iteration_history += dce_summary
    
    return iteration_history, "", "", ""

# تابع ادامه Iteration
def continue_iteration():
    global iteration_count, iteration_history
    iteration_count += 1
    
    business_info_serializable = convert_to_serializable(business_info)
    product_info_serializable = convert_to_serializable(product_info)
    
    # دستورات DCE
    dce_instructions = f"iteration {iteration_count}: لطفاً خروجی قبلی رو بر اساس نقد CAE بهبود بدید، لحن رو دوستانه‌تر کنید و فرمت JSON رو دقیق‌تر کنید."
    iteration_history += f"**دستورات DCE:** {dce_instructions}\n"
    
    # تولید توسط PEE
    pee_prompt = f"""
    {mother_prompt}
    شما Prompt Engineering Expert (PEE) هستید. خروجی قبلی رو بر اساس نقد CAE بهبود بدید:
    اطلاعات کسب‌وکار: {json.dumps(business_info_serializable, ensure_ascii=False)}
    اطلاعات محصولات: {json.dumps(product_info_serializable, ensure_ascii=False)}
    تاریخچه iteration قبلی:\n{iteration_history}
    {dce_instructions}
    خروجی رو با --- جدا کنید.
    """
    pee_response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": pee_prompt}]
    )
    pee_output = pee_response.choices[0].message.content
    iteration_history += f"**خروجی PEE:**\n{pee_output}\n"
    
    # نقد توسط CAE
    cae_prompt = f"""
    {mother_prompt}
    شما Critical Analysis Expert (CAE) هستید. خروجی جدید PEE رو نقد کنید و مطمئن شید لحن دوستانه‌ست و فرمت JSON درسته:
    خروجی PEE:\n{pee_output}
    """
    cae_response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": cae_prompt}]
    )
    cae_output = cae_response.choices[0].message.content
    iteration_history += f"**نقد CAE:**\n{cae_output}\n"
    
    # جمع‌بندی DCE
    dce_summary = f"""
    **جمع‌بندی DCE:** iteration {iteration_count} تموم شد 😊
    **وضعیت فعلی:** خروجی‌ها بهبود یافتن.
    **اهداف بعدی:**
    #G-{iteration_count}-1: ادامه بهبود یا اتمام فرایند.
    **پایان iteration {iteration_count}**
    """
    iteration_history += dce_summary
    
    return iteration_history, "", "", ""

# تابع پایان و تولید خروجی نهایی
def end_process():
    global iteration_history, prompt_output, knowledge_base_output, faq_output
    
    business_info_serializable = convert_to_serializable(business_info)
    product_info_serializable = convert_to_serializable(product_info)
    
    # تولید خروجی نهایی
    final_prompt = f"""
    {mother_prompt}
    فرایند iteration‌ها تموم شده. لطفاً خروجی نهایی رو به این ترتیب تولید کنید:
    1. پرامپت چت‌بات به انگلیسی با بخش‌های: 
       - Persona
       - Tone
       - Guidelines
       - About Us
       - Responses to Common Questions
       - Contact Information
       - Additional Guidelines
       لحن باید دوستانه، عامیانه، کوتاه (زیر 100 کلمه) و با ایموجی‌های جذاب باشه.
    ---
    2. پایگاه دانش به فرمت JSON-like با فیلدهای: name, description, variants (شامل size و price), objectID. برای هر محصول یا خدمت یه ورودی جدا بساز.
    ---
    3. FAQ به فرمت JSON-like با دسته‌بندی‌ها (مثل Services, Care)، موضوعات، سوالات و جواب‌های کوتاه و دوستانه.
    اطلاعات کسب‌وکار: {json.dumps(business_info_serializable, ensure_ascii=False)}
    اطلاعات محصولات: {json.dumps(product_info_serializable, ensure_ascii=False)}
    تاریخچه iteration‌ها:\n{iteration_history}
    **هر بخش رو با دقیقاً "---" جدا کن. هیچ متن اضافی قبل، بعد یا بین بخش‌ها نذار (مثل "Here is the output" یا تیترهایی مثل "### Prompt:"). اگه هر بخش تولید نشد، به جاش یه نمونه حداقلی بساز.**
    """
    final_response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": final_prompt}]
    )
    final_output = final_response.choices[0].message.content
    print("خروجی خام نهایی:", final_output)  # چاپ خروجی خام برای دیباگ
    
    # اعتبارسنجی و جداسازی خروجی‌ها
    parts = validate_and_fix_output(final_output)
    prompt_output = parts[0]
    knowledge_base_output = parts[1]
    faq_output = parts[2]
    
    iteration_history += "\n**فرایند تموم شد و خروجی نهایی آماده‌ست! 🎉**\n"
    return iteration_history, prompt_output, knowledge_base_output, faq_output

# رابط کاربری Gradio
with gr.Blocks() as demo:
    gr.Markdown("# سیستم نوا 🌟")
    with gr.Row():
        file1 = gr.File(label="فرم اطلاعات اولیه وردست")
        file2 = gr.File(label="فرم اطلاعات محصولات/خدمات")
    start_btn = gr.Button("شروع")
    iteration_box = gr.Textbox(label="تاریخچه Iteration", lines=10)
    continue_btn = gr.Button("ادامه دهید")
    end_btn = gr.Button("پایان")
    prompt_box = gr.Textbox(label="پرامپت نهایی (انگلیسی)")
    kb_box = gr.Textbox(label="پایگاه دانش (JSON)")
    faq_box = gr.Textbox(label="پرسش و پاسخ‌ها (JSON)")

    start_btn.click(start_process, inputs=[file1, file2], outputs=[iteration_box, prompt_box, kb_box, faq_box])
    continue_btn.click(continue_iteration, inputs=[], outputs=[iteration_box, prompt_box, kb_box, faq_box])
    end_btn.click(end_process, inputs=[], outputs=[iteration_box, prompt_box, kb_box, faq_box])

demo.launch()