Delete app.py

app.py

@@ -1,111 +0,0 @@
-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)