Update app.py

app.py

@@ -1,16 +1,18 @@
-import streamlit as st
 import os
-from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline
+from huggingface_hub import hf_hub_download
+from langchain.llms import LlamaCpp
+from langchain.chains import ConversationalRetrievalChain
+from langchain.memory import ConversationBufferMemory
 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 ---
+import streamlit as st
+
 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
@@ -27,56 +29,86 @@ st.markdown(
 )
 
 # --- 2) تحميل أو بناء قاعدة بيانات FAISS ---
-embeddings = HuggingFaceEmbeddings(
-    model_name="CAMeL-Lab/bert-base-arabic-camelbert-mix",
-    model_kwargs={"trust_remote_code": True}
-)
+def build_vectorstore():
+    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
+    if os.path.exists(index_folder):
+        # تحميل قاعدة البيانات إذا كانت موجودة
+        return 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)
+        return vectorstore
+
+
+# --- 3) تحميل النموذج ---
+def load_llm():
+    """
+    Downloads a Q4_K_M GGUF model and loads it via llama-cpp.
+    """
+    # 1) Download the GGUF model from Hugging Face
+    model_file = hf_hub_download(
+        repo_id="DevQuasar/CohereForAI.c4ai-command-r7b-arabic-02-2025-GGUF",
+        filename="CohereForAI.c4ai-command-r7b-arabic-02-2025-Q4_K_M.gguf",
+        local_dir="./models",
+        local_dir_use_symlinks=False
     )
-    chunked_docs = text_splitter.split_documents(documents)
 
-    # إنشاء قاعدة بيانات FAISS
-    vectorstore = FAISS.from_documents(chunked_docs, embeddings)
-    vectorstore.save_local(index_folder)
+    # 2) Load the model with llama-cpp via LangChain’s LlamaCpp
+    llm = LlamaCpp(
+        model_path=model_file,
+        flash_attn=False,
+        n_ctx=2048,  # or 4096
+        n_batch=512,  # or even 256
+        chat_format='chatml'
+    )
 
-# --- 3) إعداد المسترجع ---
-retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 5})
+    return llm
 
-# --- 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()
+# --- 4) بناء سلسلة المحادثة ---
+def build_conversational_chain(vectorstore):
+    """
+    Creates a ConversationalRetrievalChain using the local llama-cpp-based LLM 
+    and a ConversationBufferMemory for multi-turn Q&A.
+    """
+    llm = load_llm()
 
-# 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)
+    # We'll store chat history in memory so the chain can handle multi-turn conversations
+    memory = ConversationBufferMemory(
+        memory_key="chat_history",
+        return_messages=True
+    )
 
-# إعداد pipeline لتوليد النصوص
-qa_pipeline = pipeline("text-generation", model=model, tokenizer=tokenizer, device=0)
+    qa_chain = ConversationalRetrievalChain.from_llm(
+        llm=llm,
+        retriever=vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 5}),
+        memory=memory,
+        verbose=True
+    )
+
+    return qa_chain
 
-# --- 5) إعداد الذاكرة ---
-memory = ConversationBufferMemory(
-    memory_key="chat_history",
-    return_messages=True
-)
 
-# --- 6) إدارة رسائل المستخدم ---
+# --- 5) تنفيذ التطبيق ---
+vectorstore = build_vectorstore()
+qa_chain = build_conversational_chain(vectorstore)
+
 if "messages" not in st.session_state:
     st.session_state["messages"] = [
         {"role": "assistant", "content": "👋 مرحبًا! اسألني أي شيء عن إدارة البيانات وحماية البيانات الشخصية!"}
@@ -87,25 +119,20 @@ 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 ---
+# 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"]
+    # استدعاء سلسلة المحادثة للحصول على الإجابة
+    response = qa_chain({"question": user_input})
 
     # عرض الإجابة
-    st.session_state["messages"].append({"role": "assistant", "content": response})
+    answer = response["answer"]
+    st.session_state["messages"].append({"role": "assistant", "content": answer})
     with st.chat_message("assistant"):
-        st.markdown(f'<div class="rtl">{response}</div>', unsafe_allow_html=True)
+        st.markdown(f'<div class="rtl">{answer}</div>', unsafe_allow_html=True)