import streamlit as st from hazm import Normalizer, SentenceTokenizer import os import docx from langchain.chat_models import ChatOpenAI from langchain.schema import SystemMessage, HumanMessage from rapidfuzz import fuzz import concurrent.futures import time # from sentence_transformers import SentenceTransformer import numpy as np from hazm import * import re import nltk nltk.download('punkt') st.set_page_config( page_title="رزم یار", page_icon="⚔️", layout="wide" ) st.markdown(""" """, unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) if "authenticated" not in st.session_state: st.session_state.authenticated = False if not st.session_state.authenticated: st.markdown('', unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) username = st.text_input("نام کاربری:", placeholder="شناسه خود را وارد کنید", label_visibility="visible") password = st.text_input("رمز عبور:", placeholder="رمز عبور ", type="password", label_visibility="visible") st.markdown(""" """, unsafe_allow_html=True) if st.button("ورود"): if username == "admin" and password == "123": st.session_state.authenticated = True st.rerun() else: st.markdown("""

نام کاربری یا رمز عبور اشتباه است.

""", unsafe_allow_html=True) st.stop() with st.sidebar: st.image("log.png", use_container_width=True) menu_items = [ ("گزارش عملیاتی", "https://cdn-icons-png.flaticon.com/512/3596/3596165.png", "https://m17idd-reporting.hf.space"), ("تاریخچه ماموریت‌ها", "https://cdn-icons-png.flaticon.com/512/709/709496.png", None), ("تحلیل داده‌های نظامی", "https://cdn-icons-png.flaticon.com/512/1828/1828932.png", "https://m17idd-test.hf.space"), ("مدیریت منابع", "https://cdn-icons-png.flaticon.com/512/681/681494.png", None), ("دستیار فرماندهی", "https://cdn-icons-png.flaticon.com/512/3601/3601646.png", None), ("تنظیمات امنیتی", "https://cdn-icons-png.flaticon.com/512/2099/2099058.png", None), ("پشتیبانی فنی", "https://cdn-icons-png.flaticon.com/512/597/597177.png", None), ] st.markdown(""" """, unsafe_allow_html=True) for idx, (text, icon, link) in enumerate(menu_items): content = f""" """ if link: content = f'{content}' st.markdown(content, unsafe_allow_html=True) if idx in [1, 3, 5]: st.markdown("

", unsafe_allow_html=True) st.markdown("""

رزم‌‌یار‌ ارتش

دستیارهوشمند ارتش جمهوری اسلامی ایران

""", unsafe_allow_html=True) # from transformers import pipeline # hf_api_key = os.getenv("tavana55") # model_name = "Qwen/Qwen3-0.6B" # llm = pipeline("text-generation", model=model_name) st.markdown(""" """, unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) st.markdown(""" """, unsafe_allow_html=True) import json import requests import streamlit as st import numpy as np from langchain.schema import SystemMessage, HumanMessage from langchain.chat_models import ChatOpenAI from sklearn.metrics.pairwise import cosine_similarity llm = ChatOpenAI( base_url="https://api.together.xyz/v1", api_key='333ac33f5be91819cb7ade101134d73f5e63d299a964ae290850eeac5d82a8d5', model="meta-llama/Llama-3.3-70B-Instruct-Turbo", ) EMBEDDING_FILE = "embeddings.json" EMBEDDING_MODEL = "intfloat/multilingual-e5-large-instruct" TOGETHER_API_KEY = "333ac33f5be91819cb7ade101134d73f5e63d299a964ae290850eeac5d82a8d5" @st.cache_data def load_embeddings(file_path): with open(file_path, "r", encoding="utf-8") as f: return json.load(f) def get_query_embedding_together(query): url = "https://api.together.xyz/v1/embeddings" headers = { "Authorization": f"Bearer {TOGETHER_API_KEY}", "accept": "application/json", "content-type": "application/json" } payload = { "model": EMBEDDING_MODEL, "input": query } response = requests.post(url, headers=headers, json=payload) response.raise_for_status() return response.json()["data"][0]["embedding"] def find_most_similar_chunks(query_embedding, data, top_n=10): query_vec = np.array(query_embedding).reshape(1, -1) similarities = [] for item in data: chunk_vec = np.array(item["embedding"]).reshape(1, -1) sim = cosine_similarity(query_vec, chunk_vec)[0][0] similarities.append((item["chunk"], sim)) similarities.sort(key=lambda x: x[1], reverse=True) return [chunk for chunk, _ in similarities[:top_n]] def clean_text(text): import re return re.sub(r'[^آ-یa-zA-Z0-9۰-۹,.،؟!؛\s]+', '', text) st.markdown("""

""", unsafe_allow_html=True) query = st.text_input(" ", key="custom_query") # برای گرفتن مقدار واقعی ورودی if "chat_history" not in st.session_state: st.session_state.chat_history = [] if query: thinking = st.empty() thinking.markdown("⏳ در حال پردازش...") try: query_embedding = get_query_embedding_together(query) data = load_embeddings(EMBEDDING_FILE) top_chunks = find_most_similar_chunks(query_embedding, data, top_n=10) context = "\n".join(top_chunks) prompt = f""" به سؤال زیر فقط بر اساس اطلاعات موجود در خطوط مرتبط پاسخ بده. از تحلیل، مقدمه‌چینی، توضیح مراحل تفکر، یا حدس شخصی خودداری کن. اگر اطلاعات کافی برای پاسخ دقیق در خطوط مرتبط وجود نداشت، فقط در آن صورت با صراحت اعلام کن، و سپس می‌توانی از دانش عمومی خود استفاده کنی تا یک پاسخ حرفه‌ای و دقیق ارائه دهی. پاسخ باید نهایی، روان، و در حدود 100 تا 1024 کاراکتر باشد. مستقیماً پاسخ را بنویس و هیچ توضیحی درباره نحوه رسیدن به پاسخ نده. سوال: {query} خطوط مرتبط: {top_chunks} پاسخ نهایی: """ response = llm([ SystemMessage( content="تو یک دستیار دقیق هستی که فقط با اطلاعات موجود در متن پاسخ می‌دهی. اگر اطلاعات نبود، آن را اعلام می‌کنی و بعد از دانش خودت استفاده می‌کنی." ), HumanMessage(content=prompt) ]) final_answer = clean_text(response.content.strip()) except Exception as e: final_answer = f"❗ خطا: {str(e)}" thinking.empty() st.session_state.chat_history.append(("🧑", query)) st.session_state.chat_history.append(("🤖", final_answer)) st.markdown(""" """, unsafe_allow_html=True) st.markdown("---") for sender, message in st.session_state.chat_history: st.markdown(f'

{sender}: {message}

', unsafe_allow_html=True)