Update app.py

app.py

@@ -7,7 +7,7 @@ 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. لطفاً آن را تنظیم کنید.")
+    raise ValueError("OPENAI_API_KEY در متغیرهای محیطی تنظیم نشده است.")
 client = OpenAI(api_key=api_key)
 
 # متغیرهای سراسری
@@ -19,7 +19,7 @@ faq_output = ""
 business_info = None
 product_info = None
 
-# پرامپت مادر
+# پرامپت مادر به‌عنوان دستورالعمل اصلی
 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.
 
@@ -27,12 +27,16 @@ You are the Nova System, an innovative problem-solving approach implemented by a
 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:** 
-   - **DCE:** Manage and guide the process.
-   - **PEE:** Generate initial drafts of chatbot prompt, knowledge base, and FAQ.
-   - **CAE:** Review and critique outputs, providing improvement suggestions.
-3. **Iterations and Expert Dialogue:** Conduct iterations with DCE instructions, PEE generation, CAE critique, and DCE summary, all in Persian.
+   - **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, knowledge base, and FAQ based on user information.
+   - **Critical Analysis Expert (CAE):** Review and critique outputs, 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, knowledge base and FAQ in JSON-like format.
+5. **Present the Final Outputs:** Final prompt in English with sections (Persona, Tone, Guidelines, etc.), knowledge base and FAQ in JSON-like format.
 
 Conduct all dialogues in Persian, but output the final prompt in English and knowledge base/FAQ in JSON-like format.
 """
@@ -58,43 +62,55 @@ def process_excel_files(file1, file2):
 def start_process(file1, file2):
     global iteration_count, iteration_history, business_info, product_info
     iteration_count = 1
-    iteration_history = "سلام! من سیستم نوا هستم. فرایند شروع شد.\n"
+    iteration_history = "سلام! من سیستم نوا هستم، یک سیستم پیشرفته برای تولید پرامپت‌های چت‌بات، پایگاه دانش و FAQ خودکار. فرایند شروع شد.\n"
     
     # پردازش فایل‌ها
     business_info, product_info = process_excel_files(file1, file2)
-    
-    # تبدیل داده‌ها به فرمت قابل سریال‌سازی
     business_info_serializable = convert_to_serializable(business_info)
     product_info_serializable = convert_to_serializable(product_info)
     
-    # دستورات اولیه DCE
+    # مرحله ۱: دستورات DCE
     dce_instructions = f"iteration {iteration_count}: لطفاً بر اساس اطلاعات فرم‌ها، پرامپت اولیه، پایگاه دانش و FAQ رو تولید کنید."
     iteration_history += f"**دستورات DCE:** {dce_instructions}\n"
     
-    # تولید اولیه توسط PEE
+    # مرحله ۲: تولید توسط PEE
+    pee_prompt = f"""
+    {mother_prompt}
+    شما Prompt Engineering Expert (PEE) هستید. بر اساس اطلاعات زیر، پرامپت اولیه چت‌بات، پایگاه دانش و FAQ رو به فارسی تولید کنید:
+    اطلاعات کسب‌وکار: {json.dumps(business_info_serializable, ensure_ascii=False)}
+    اطلاعات محصولات: {json.dumps(product_info_serializable, ensure_ascii=False)}
+    {dce_instructions}
+    """
     pee_response = client.chat.completions.create(
         model="gpt-4o",
-        messages=[
-            {"role": "system", "content": mother_prompt},
-            {"role": "user", "content": f"اطلاعات کسب‌وکار: {json.dumps(business_info_serializable, ensure_ascii=False)}\nاطلاعات محصولات: {json.dumps(product_info_serializable, ensure_ascii=False)}\n{dce_instructions}"}
-        ]
+        messages=[{"role": "system", "content": pee_prompt}]
     )
     pee_output = pee_response.choices[0].message.content
-    iteration_history += f"**خروجی PEE:** {pee_output}\n"
-    
-    # نقد CAE
+    iteration_history += f"**خروجی PEE:**\n{pee_output}\n"
+    
+    # مرحله ۳: نقد توسط CAE
+    cae_prompt = f"""
+    {mother_prompt}
+    شما Critical Analysis Expert (CAE) هستید. لطفاً خروجی PEE رو نقد کنید و پیشنهادات بهبود بدید:
+    خروجی PEE:\n{pee_output}
+    """
     cae_response = client.chat.completions.create(
         model="gpt-4o",
-        messages=[
-            {"role": "system", "content": mother_prompt},
-            {"role": "user", "content": f"لطفاً خروجی PEE رو نقد کنید:\n{pee_output}"}
-        ]
+        messages=[{"role": "system", "content": cae_prompt}]
     )
     cae_output = cae_response.choices[0].message.content
-    iteration_history += f"**نقد CAE:** {cae_output}\n"
-    
-    # جمع‌بندی DCE
-    iteration_history += f"**جمع‌بندی DCE:** iteration {iteration_count} با موفقیت انجام شد. هدف بعدی: بهبود بر اساس نقد CAE.\n**پایان iteration {iteration_count}**\n"
+    iteration_history += f"**نقد CAE:**\n{cae_output}\n"
+    
+    # مرحله ۴: جمع‌بندی DCE
+    dce_summary = f"""
+    **جمع‌بندی DCE:** iteration {iteration_count} با موفقیت انجام شد.
+    **وضعیت فعلی:** پرامپت اولیه، پایگاه دانش و FAQ تولید شدند و نقد شدند.
+    **اهداف iteration بعدی:**
+    #G-{iteration_count}-1: بهبود پرامپت بر اساس نقد CAE.
+    #G-{iteration_count}-2: تکمیل پایگاه دانش و FAQ.
+    **پایان iteration {iteration_count}**
+    """
+    iteration_history += dce_summary
     
     return iteration_history, "", "", ""
 
@@ -103,38 +119,51 @@ def continue_iteration():
     global iteration_count, iteration_history
     iteration_count += 1
     
-    # تبدیل داده‌ها به فرمت قابل سریال‌سازی
     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."
+    # مرحله ۱: دستورات DCE
+    dce_instructions = f"iteration {iteration_count}: لطفاً خروجی قبلی رو بر اساس نقد CAE بهبود بدید و پرامپت، پایگاه دانش و FAQ رو بهینه کنید."
     iteration_history += f"**دستورات DCE:** {dce_instructions}\n"
     
-    # تولید مجدد توسط PEE
+    # مرحله ۲: تولید توسط PEE
+    pee_prompt = f"""
+    {mother_prompt}
+    شما Prompt Engineering Expert (PEE) هستید. بر اساس تاریخچه و نقد قبلی، پرامپت، پایگاه دانش و FAQ رو 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}
+    """
     pee_response = client.chat.completions.create(
         model="gpt-4o",
-        messages=[
-            {"role": "system", "content": mother_prompt},
-            {"role": "user", "content": f"اطلاعات کسب‌وکار: {json.dumps(business_info_serializable, ensure_ascii=False)}\nاطلاعات محصولات: {json.dumps(product_info_serializable, ensure_ascii=False)}\nتاریخچه iteration قبلی:\n{iteration_history}\n{dce_instructions}"}
-        ]
+        messages=[{"role": "system", "content": pee_prompt}]
     )
     pee_output = pee_response.choices[0].message.content
-    iteration_history += f"**خروجی PEE:** {pee_output}\n"
-    
-    # نقد CAE
+    iteration_history += f"**خروجی PEE:**\n{pee_output}\n"
+    
+    # مرحله ۳: نقد توسط CAE
+    cae_prompt = f"""
+    {mother_prompt}
+    شما Critical Analysis Expert (CAE) هستید. لطفاً خروجی جدید PEE رو نقد کنید و پیشنهادات بهبود بدید:
+    خروجی PEE:\n{pee_output}
+    """
     cae_response = client.chat.completions.create(
         model="gpt-4o",
-        messages=[
-            {"role": "system", "content": mother_prompt},
-            {"role": "user", "content": f"لطفاً خروجی PEE رو نقد کنید:\n{pee_output}"}
-        ]
+        messages=[{"role": "system", "content": cae_prompt}]
     )
     cae_output = cae_response.choices[0].message.content
-    iteration_history += f"**نقد CAE:** {cae_output}\n"
-    
-    # جمع‌بندی DCE
-    iteration_history += f"**جمع‌بندی DCE:** iteration {iteration_count} انجام شد. هدف بعدی: ادامه بهبود یا اتمام.\n**پایان iteration {iteration_count}**\n"
+    iteration_history += f"**نقد CAE:**\n{cae_output}\n"
+    
+    # مرحله ۴: جمع‌بندی DCE
+    dce_summary = f"""
+    **جمع‌بندی DCE:** iteration {iteration_count} انجام شد.
+    **وضعیت فعلی:** خروجی‌ها بهبود یافتند.
+    **اهداف iteration بعدی:**
+    #G-{iteration_count}-1: ادامه بهبود یا اتمام فرایند.
+    **پایان iteration {iteration_count}**
+    """
+    iteration_history += dce_summary
     
     return iteration_history, "", "", ""
 
@@ -142,17 +171,24 @@ def continue_iteration():
 def end_process():
     global iteration_history, prompt_output, knowledge_base_output, faq_output
     
-    # تبدیل داده‌ها به فرمت قابل سریال‌سازی
     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 تمام شده. لطفاً خروجی نهایی رو تولید کنید:
+    - پرامپت چت‌بات به انگلیسی با بخش‌های: Persona, Tone, Guidelines, About Us, Responses to Common Questions, Contact Information, Additional Guidelines
+    - پایگاه دانش به فرمت JSON-like
+    - FAQ به فرمت JSON-like
+    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}
+    لطفاً خروجی‌ها رو با --- از هم جدا کنید.
+    """
     final_response = client.chat.completions.create(
         model="gpt-4o",
-        messages=[
-            {"role": "system", "content": mother_prompt},
-            {"role": "user", "content": f"لطفاً بر اساس تاریخچه iteration‌ها، پرامپت نهایی (به انگلیسی)، پایگاه دانش و FAQ (به فرمت JSON) رو تولید کنید:\n{iteration_history}\nاطلاعات کسب‌وکار: {json.dumps(business_info_serializable, ensure_ascii=False)}\nاطلاعات محصولات: {json.dumps(product_info_serializable, ensure_ascii=False)}"}
-        ]
+        messages=[{"role": "system", "content": final_prompt}]
     )
     final_output = final_response.choices[0].message.content
     
@@ -162,7 +198,7 @@ def end_process():
     knowledge_base_output = parts[1].strip() if len(parts) > 1 else "پایگاه دانش تولید نشد"
     faq_output = parts[2].strip() if len(parts) > 2 else "FAQ تولید نشد"
     
-    iteration_history += "\n**فرایند پایان یافت.**\n"
+    iteration_history += "\n**فرایند پایان یافت و خروجی نهایی تولید شد.**\n"
     return iteration_history, prompt_output, knowledge_base_output, faq_output
 
 # رابط کاربری Gradio