tahamajs/Sysmem2_in_AI/ComputerAssignments/CA5_geometric_reasoning/docs - Storage Bucket

CA5: Advanced Geometric Reasoning System

سیستم پیشرفته استدلال هندسی

این پروژه یک سیستم جامع و پیشرفته برای استدلال هندسی است که از آخرین فناوری‌های هوش مصنوعی استفاده می‌کند.

🚀 ویژگی‌های کلیدی

فناوری‌های پیشرفته

• LangChain: مدیریت عوامل و ابزارها
• RAG (Retrieval-Augmented Generation): بازیابی تقویت شده با تولید
• Gemini API: مدل‌های پیشرفته Google
• LangGraph: گردش کارهای پیچیده
• Vector Databases: ChromaDB و FAISS
• Advanced Evaluation: ارزیابی جامع و تجسم

قابلیت‌های حل مسئله

• هندسه تحلیلی: حل با استفاده از مختصات
• هندسه ترکیبی: حل با استفاده از قضایا
• استدلال چندمرحله‌ای: اثبات‌های پیچیده
• پشتیبانی از زبان فارسی: رابط کاربری فارسی
• تجسم پیشرفته: نمودارها و تصاویر هندسی

📁 ساختار پروژه

CA5_geometric_reasoning/
├── main.py                      # اسکریپت اصلی
├── experimental_system.py        # سیستم تجربی کامل
├── config.yaml                  # تنظیمات سیستم
├── requirements.txt             # وابستگی‌ها
├── src/                         # کد منبع
│   ├── rag/                     # ماژول RAG
│   │   └── knowledge_base.py    # مدیریت پایگاه دانش
│   ├── agents/                  # عوامل LangChain
│   │   └── geometry_agent.py    # عامل حل هندسه
│   ├── tools/                   # ابزارهای هندسه
│   │   └── geometry_tools.py    # ابزارهای تخصصی
│   ├── workflows/               # گردش کارهای LangGraph
│   │   └── solving_workflow.py  # گردش کار حل مسئله
│   └── utils/                   # ابزارهای کمکی
│       ├── visualization.py     # تجسم هندسی
│       └── evaluation.py       # ارزیابی راه‌حل‌ها
├── data/                        # داده‌ها
│   ├── knowledge_base/          # پایگاه دانش
│   └── vector_db/               # پایگاه داده برداری
├── results/                     # نتایج
├── visualizations/              # تصاویر تولید شده
└── logs/                        # فایل‌های لاگ

🛠️ نصب و راه‌اندازی

پیش‌نیازها

• Python 3.9+
• Google Gemini API Key
• حداقل 8GB RAM

نصب

1. کلون کردن پروژه

git clone <repository-url>
cd CA5_geometric_reasoning

2. ایجاد محیط مجازی

python -m venv venv
source venv/bin/activate  # در Windows: venv\Scripts\activate

3. نصب وابستگی‌ها

pip install -r requirements.txt

4. تنظیم API Key

export GOOGLE_API_KEY="your_gemini_api_key_here"

5. اجرای پروژه

# اجرای سیستم اصلی
python main.py

# اجرای سیستم تجربی کامل
python experimental_system.py

🎯 استفاده

مثال ساده

from src.rag.knowledge_base import KnowledgeBaseManager
from src.agents.geometry_agent import GeometrySolverAgent
from src.tools.geometry_tools import GeometryTools

# راه‌اندازی سیستم
knowledge_base = KnowledgeBaseManager(config, embeddings, vector_store)
geometry_tools = GeometryTools(config, llm)
geometry_agent = GeometrySolverAgent(llm, memory, config)

# حل مسئله
problem = "در مثلث ABC، زاویه A = 60 درجه، AB = 5، AC = 7. طول BC را پیدا کنید."
solution = geometry_agent.solve_problem(problem, tools)

مثال پیشرفته با RAG

# جستجو در پایگاه دانش
relevant_docs = knowledge_base.query_knowledge_base("قضیه فیثاغورث")

# حل مسئله با RAG
rag_chain = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=knowledge_base.create_retriever(),
    memory=memory
)

result = rag_chain.invoke({"question": problem})

🔬 آزمایش‌های تجربی

سیستم شامل آزمایش‌های جامع برای مقایسه روش‌های مختلف است:

روش‌های حل مسئله

1. Gemini Direct: استفاده مستقیم از Gemini API
2. LangChain Agent: عامل هوشمند با ابزارها
3. RAG Enhanced: بازیابی تقویت شده
4. LangGraph Workflow: گردش کار پیچیده

معیارهای ارزیابی

• دقت: صحت راه‌حل
• کیفیت اثبات: منطق ریاضی
• کارایی زمانی: سرعت حل
• کیفیت توضیح: وضوح راه‌حل
• کالیبراسیون اعتماد: اطمینان سیستم

📊 نتایج و تجسم

نمودارهای تولید شده

• نمودارهای هندسی (مثلث، دایره، چندضلعی)
• نمودارهای مقایسه روش‌ها
• تجسم مراحل اثبات
• نمودارهای گردش کار

گزارش‌های جامع

• گزارش ارزیابی عملکرد
• مقایسه روش‌های مختلف
• تحلیل کیفی راه‌حل‌ها
• پیشنهادات بهبود

🧪 مثال‌های مسئله

مسائل مثلث

• محاسبه اضلاع و زاویه‌ها
• اثبات قضایای مثلث
• مسائل مساحت و محیط

مسائل دایره

• خواص وتر و مماس
• زاویه‌های مرکزی و محیطی
• مسائل قدرت نقطه

مسائل پیشرفته

• هندسه تحلیلی
• تبدیلات هندسی
• مسائل المپیادی

🔧 تنظیمات پیشرفته

فایل config.yaml

# تنظیمات Gemini API
ai_models:
  gemini:
    model_name: "gemini-1.5-pro"
    temperature: 0.1
    max_retries: 3

# تنظیمات RAG
rag:
  vector_store:
    type: "chromadb"
    persist_directory: "./data/vector_db"

  embeddings:
    model_name: "sentence-transformers/all-MiniLM-L6-v2"

# تنظیمات عوامل
agents:
  geometry_solver:
    max_iterations: 15
    temperature: 0.1
    verbose: true

📈 عملکرد و بهینه‌سازی

بهینه‌سازی‌های اعمال شده

• Caching: ذخیره نتایج میانی
• Parallel Processing: پردازش موازی
• Memory Management: مدیریت حافظه
• Batch Processing: پردازش دسته‌ای

معیارهای عملکرد

• زمان حل مسئله
• استفاده از حافظه
• دقت راه‌حل‌ها
• کیفیت توضیحات

🐛 عیب‌یابی

مشکلات رایج

1. خطای API Key: بررسی متغیر محیطی GOOGLE_API_KEY
2. خطای حافظه: کاهش batch_size در config
3. خطای وابستگی: نصب مجدد requirements.txt

لاگ‌ها

# مشاهده لاگ‌ها
tail -f logs/geometry_solver.log
tail -f logs/experimental_geometry.log

🤝 مشارکت

راه‌های مشارکت

• گزارش باگ‌ها
• پیشنهاد ویژگی‌های جدید
• بهبود مستندات
• اضافه کردن مثال‌های جدید

استانداردهای کد

• استفاده از Python 3.9+
• رعایت PEP 8
• مستندسازی کامل
• تست‌های جامع

📚 منابع و مراجع

مقالات علمی

• "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks"
• "LangChain: Building Applications with LLMs"
• "Geometric Reasoning with Large Language Models"

منابع آموزشی

• LangChain Documentation
• Google Gemini API
• ChromaDB Documentation

📄 مجوز

این پروژه تحت مجوز MIT منتشر شده است.

🙏 تشکر

• تیم Google Gemini
• توسعه‌دهندگان LangChain
• جامعه هوش مصنوعی
• دانشجویان دوره سیستم‌های هوش مصنوعی

---

✅ Assessment Checklist / چک‌لیست ارزیابی

Before submission, ensure you have completed:

• Implement RAG Pipeline: Build knowledge base with ChromaDB/FAISS and semantic search
• Develop LangChain Agent: Create geometry solver with specialized tools and memory
• Design LangGraph Workflow: Implement multi-step reasoning workflow for complex proofs
• Comprehensive Evaluation: Test on diverse geometric problems and generate performance reports

📚 Course Resources / منابع دوره

Related Lecture Decks / اسلایدهای مرتبط

• Slides 5: NeuroSymbolic - Olympiad Geometry - Advanced geometric reasoning
• Slides 23-24: Language Agents - LangChain and multi-agent systems
• Slides 20-21: Knowledge Graph Reasoning - Structured knowledge representation

Annotated Notes & Exercises / یادداشت‌های تفسیری

• A2I_S05: RAG and Knowledge Systems - Retrieval-augmented generation
• A2I_S23-24: Language Agents - Agent architectures and workflows

Companion Assignments / تکالیف مرتبط

• CA4: Visual Question Answering - Multimodal geometric understanding
• CA21: LangChain Memory Agents - Advanced agent design
• CA10: Knowledge Graphs - Structured reasoning systems

---

نسخه: 2.0.0
تاریخ آخرین بروزرسانی: ژانویه 2025
تیم توسعه: AI Systems Course Team