app.py

import streamlit as st
import os
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline
from langchain_community.document_loaders import PyPDFLoader
from langchain_experimental.text_splitter import SemanticChunker
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.memory import ConversationBufferMemory

# --- 1) إعداد الصفحة ---
st.title("💬 المحادثة التفاعلية - إدارة البيانات وحماية البيانات الشخصية")
local_file = "Policies001.pdf"

index_folder = "faiss_index"

# إضافة CSS مخصص لدعم النصوص من اليمين لليسار
st.markdown(
    """
    <style>
        .rtl {
            direction: rtl;
            text-align: right;
        }
    </style>
    """,
    unsafe_allow_html=True
)

# --- 2) تحميل أو بناء قاعدة بيانات FAISS ---
embeddings = HuggingFaceEmbeddings(
    model_name="CAMeL-Lab/bert-base-arabic-camelbert-mix",
    model_kwargs={"trust_remote_code": True}
)

if os.path.exists(index_folder):
    # تحميل قاعدة البيانات إذا كانت موجودة
    vectorstore = FAISS.load_local(index_folder, embeddings, allow_dangerous_deserialization=True)
else:
    # تحميل PDF وتقسيم النصوص
    loader = PyPDFLoader(local_file)
    documents = loader.load()

    text_splitter = SemanticChunker(
        embeddings=embeddings,
        breakpoint_threshold_type='percentile',
        breakpoint_threshold_amount=90
    )
    chunked_docs = text_splitter.split_documents(documents)

    # إنشاء قاعدة بيانات FAISS
    vectorstore = FAISS.from_documents(chunked_docs, embeddings)
    vectorstore.save_local(index_folder)

# --- 3) إعداد المسترجع ---
retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 5})

# --- 4) إعداد نموذج النص ---
model_name = "CohereForAI/c4ai-command-r7b-arabic-02-2025"  # اسم النموذج

# التأكد من وجود توكن Hugging Face
hf_token = os.getenv("HF_TOKEN")
if hf_token is None:
    st.error("Hugging Face token not found. Please set the 'HF_TOKEN' environment variable.")
    st.stop()

# تحميل النموذج والمحول
tokenizer = AutoTokenizer.from_pretrained(model_name, use_auth_token=hf_token)
model = AutoModelForCausalLM.from_pretrained(model_name, use_auth_token=hf_token)

# إعداد pipeline لتوليد النصوص
qa_pipeline = pipeline("text-generation", model=model, tokenizer=tokenizer, device=0)

# --- 5) إعداد الذاكرة ---
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# --- 6) إدارة رسائل المستخدم ---
if "messages" not in st.session_state:
    st.session_state["messages"] = [
        {"role": "assistant", "content": "👋 مرحبًا! اسألني أي شيء عن إدارة البيانات وحماية البيانات الشخصية!"}
    ]

# عرض الرسائل الحالية
for msg in st.session_state["messages"]:
    with st.chat_message(msg["role"]):
        st.markdown(f'<div class="rtl">{msg["content"]}</div>', unsafe_allow_html=True)

# --- 7) إدخال المستخدم ---
user_input = st.chat_input("اكتب سؤالك هنا")

# --- 8) معالجة رسالة المستخدم ---
if user_input:
    # عرض رسالة المستخدم
    st.session_state["messages"].append({"role": "user", "content": user_input})
    with st.chat_message("user"):
        st.markdown(f'<div class="rtl">{user_input}</div>', unsafe_allow_html=True)

    # استرجاع المستندات ذات الصلة
    retrieved_docs = retriever.get_relevant_documents(user_input)
    context = "\n".join([doc.page_content for doc in retrieved_docs])
    full_input = f"السياق:\n{context}\n\nالسؤال:\n{user_input}"

    # توليد الإجابة باستخدام النموذج
    response = qa_pipeline(full_input, max_length=500, num_return_sequences=1)[0]["generated_text"]

    # عرض الإجابة
    st.session_state["messages"].append({"role": "assistant", "content": response})
    with st.chat_message("assistant"):
        st.markdown(f'<div class="rtl">{response}</div>', unsafe_allow_html=True)