import gradio as gr from langchain_huggingface import HuggingFaceEndpoint from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import FAISS # التحديث 1: استيراد مقسم النصوص من مكتبته الخاصة from langchain_text_splitters import RecursiveCharacterTextSplitter # التحديث 2: (حل مشكلتك الحالية) استيراد القوالب من النواة Core from langchain_core.prompts import PromptTemplate import os # --------------------------------------------------------- # 1. إعداد الاتصال بالموديل # --------------------------------------------------------- # نستخدم موديل Llama-3 الرسمي مؤقتاً REPO_ID = "mistralai/Mistral-7B-Instruct-v0.3" # جلب التوكن hf_token = os.getenv("HF_TOKEN") # الاتصال بالموديل (Serverless) llm = HuggingFaceEndpoint( repo_id=REPO_ID, max_new_tokens=512, temperature=0.1, repetition_penalty=1.1, huggingfacehub_api_token=hf_token ) # --------------------------------------------------------- # 2. بناء قاعدة المعرفة (RAG) # --------------------------------------------------------- print("Building RAG Knowledge Base...") try: with open("knowledge_base.txt", "r", encoding="utf-8") as f: knowledge_text = f.read() except FileNotFoundError: knowledge_text = "لا توجد معلومات. يرجى رفع ملف knowledge_base.txt" text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50) docs = text_splitter.create_documents([knowledge_text]) embeddings = HuggingFaceEmbeddings(model_name="intfloat/multilingual-e5-small") db = FAISS.from_documents(docs, embeddings) retriever = db.as_retriever(search_kwargs={"k": 3}) # --------------------------------------------------------- # 3. دالة المعالجة # --------------------------------------------------------- custom_prompt_template = """ أنت المساعد الذكي لجامعة القلم. استخدم المعلومات التالية للإجابة على سؤال الطالب بدقة. المعلومات المرجعية: {context} سؤال الطالب: {question} الإجابة: """ prompt = PromptTemplate(template=custom_prompt_template, input_variables=["context", "question"]) def predict(message): try: relevant_docs = retriever.invoke(message) context = "\n".join([d.page_content for d in relevant_docs]) full_input = custom_prompt_template.format(context=context, question=message) response = llm.invoke(full_input) return response except Exception as e: return f"Error: {str(e)}" # --------------------------------------------------------- # 4. تشغيل الواجهة # --------------------------------------------------------- iface = gr.Interface(fn=predict, inputs="text", outputs="text") iface.launch()