Update app.py

app.py

@@ -19,6 +19,8 @@ logger = logging.getLogger(__name__)
 gemini_api_key = os.environ.get('GEMINI_API_KEY')
 if not gemini_api_key:
     raise ValueError("GOOGLE_API_KEY پیدا نشد. لطفاً آن را در تنظیمات Space تنظیم کنید.")
+
+# تنظیم مستقیم API Key برای genai
 genai.configure(api_key=gemini_api_key)
 
 # تست اتصال به Gemini
@@ -67,7 +69,7 @@ def upload_and_process_pdf(pdf_files):
 def create_vector_db(docs):
     if not docs:
         return None, "هیچ محتوایی پردازش نشد."
-    embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001")
+    embeddings = GoogleGenerativeAIEmbeddings(model="models/embedding-001", google_api_key=gemini_api_key)
     try:
         logger.info("شروع ساخت FAISS بدون کش...")
         vector_store = FAISS.from_documents(docs, embedding=embeddings)
@@ -77,7 +79,13 @@ def create_vector_db(docs):
         return None, f"خطا در پردازش وکتوری: {str(e)}"
     return vector_store, None
 
-llm_gemini = ChatGoogleGenerativeAI(model="gemini-pro", convert_system_message_to_human=True, temperature=0.5)
+# تنظیم LLM با API Key مستقیم
+llm_gemini = ChatGoogleGenerativeAI(
+    model="gemini-pro",
+    google_api_key=gemini_api_key,  # مستقیم API Key رو می‌دیم
+    convert_system_message_to_human=True,
+    temperature=0.5
+)
 
 academic_analysis_prompt_template = """شما یک تحلیلگر آکادمیک حرفه‌ای و متخصص در بررسی پایان‌نامه‌های علمی هستید. وظیفه شما ارائه تحلیلی عمیق، دقیق و ساختارمند بر اساس محتوای ارائه‌شده است. پاسخ شما باید:
 1. صرفاً بر اساس اطلاعات موجود در متن‌های مرتبط باشد.
@@ -123,7 +131,6 @@ def create_conversation_chain(vector_store, docs, answer_source, language, detai
 
 def academic_chatbot(pdf_file, answer_source, query, language, detail_level):
     start_time = time.time()
-    # خط اصلاح‌شده
     logger.info(f"شروع پردازش - منبع: {answer_source}, سوال: {query}, زبان: {language}, جزئیات: {detail_level}")
     
     if len(query) > 500:
@@ -193,3 +200,4 @@ iface = gr.Interface(
 
 if __name__ == "__main__":
     iface.launch()
+