راهنمای کامل کار با مدل‌های زبانی (LLM) برای حل مسائل 🚀

project/
│
├── .env                # فایل محیطی برای ذخیره توکن
├── config.py           # فایل پیکربندی
├── main.py             # فایل اصلی اجرا
└── requirements.txt    # فایل نیازمندی‌ها

# .env
API_TOKEN=your_api_token_here

import os
from dotenv import load_dotenv
import openai

# بارگذاری توکن از فایل محیطی
load_dotenv()
API_TOKEN = os.getenv("API_TOKEN")

# تنظیم توکن API
openai.api_key = API_TOKEN

def ask_llm(prompt, model="gpt-3.5-turbo"):
    try:
        response = openai.ChatCompletion.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            temperature=0.7
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"خطا در ارتباط با API: {str(e)}"

# مثال استفاده
question = "مساحت دایره با شعاع 5 سانتی‌متر را محاسبه کنید."
answer = ask_llm(question)
print(answer)

from dotenv import load_dotenv
import os
import hashlib

class TokenManager:
    def __init__(self):
        load_dotenv()
        self.token = os.getenv("API_TOKEN")
        self.encrypted_token = self._encrypt_token(self.token) if self.token else None
    
    def _encrypt_token(self, token):
        """رمزنگاری ساده توکن برای نمایش امن"""
        return hashlib.sha256(token.encode()).hexdigest()
    
    def get_token(self):
        """دریافت توکن با بررسی وجود آن"""
        if not self.token:
            raise ValueError("API Token not found in environment variables!")
        return self.token
    
    def display_secure_token(self):
        """نمایش امن توکن برای لاگ‌ها"""
        if self.encrypted_token:
            return f"Token (SHA-256): {self.encrypted_token[:8]}...{self.encrypted_token[-8:]}"
        return "No token available"

# استفاده
token_manager = TokenManager()
print(token_manager.display_secure_token())

math_problem = """
مسئله: اگر سارا 5 سیب داشته باشد و به دوستش 2 سیب بدهد، 
و سپس 3 سیب جدید بخرد، حالا چند سیب دارد؟
راه‌حل را مرحله به مرحله توضیح دهید.
"""

solution = ask_llm(math_problem)
print("پاسخ مسئله ریاضی:\n", solution)

coding_task = """
یک تابع پایتون بنویسید که:
1. لیستی از اعداد را دریافت کند
2. اعداد زوج را فیلتر کند
3. مربع اعداد زوج را محاسبه کند
4. نتیجه را به صورت لیست برگرداند
توضیحات کد را به صورت کامنت اضافه کنید.
"""

generated_code = ask_llm(coding_task)
print("کد تولید شده:\n", generated_code)

translation_request = """
متن زیر را از فارسی به انگلیسی ترجمه کنید:
"مدل‌های زبانی بزرگ می‌توانند در درک و تولید متن‌های پیچیده کمک کنند."
"""

translation = ask_llm(translation_request)
print("ترجمه:\n", translation)

optimized_prompt = """
[دستورالعمل]
- پاسخ باید حداکثر در 3 جمله باشد
- از اصطلاحات فنی استفاده نکنید
- پاسخ را به صورت لیست نقطه‌ای ارائه دهید

[سوال]
چرا آسمان آبی به نظر می‌رسد؟
"""

response = ask_llm(optimized_prompt)
print("پاسخ بهینه‌شده:\n", response)

import requests
from datetime import datetime

class SecureAPIClient:
    def __init__(self, api_token):
        self.api_token = api_token
        self.base_url = "https://api.openai.com/v1"
        self.usage_log = []
    
    def log_usage(self, prompt, response):
        """ثبت لاگ استفاده از API"""
        log_entry = {
            "timestamp": datetime.now().isoformat(),
            "prompt_length": len(prompt),
            "response_length": len(response),
            "estimated_cost": (len(prompt) + len(response)) * 0.000002  # تخمین هزینه
        }
        self.usage_log.append(log_entry)
    
    def check_monthly_usage(self):
        """بررسی مصرف ماهانه"""
        current_month = datetime.now().month
        monthly_usage = [log for log in self.usage_log if datetime.fromisoformat(log["timestamp"]).month == current_month]
        total_cost = sum(log["estimated_cost"] for log in monthly_usage)
        return total_cost
    
    def make_secure_request(self, prompt, max_tokens=1000):
        """ارسال درخواست امن با بررسی محدودیت‌ها"""
        if self.check_monthly_usage() > 10.0:  # اگر هزینه ماهانه بیش از 10 دلار شد
            raise ValueError("مصرف ماهانه از حد مجاز فراتر رفته است!")
        
        headers = {
            "Authorization": f"Bearer {self.api_token}",
            "Content-Type": "application/json"
        }
        
        data = {
            "model": "gpt-3.5-turbo",
            "messages": [{"role": "user", "content": prompt}],
            "max_tokens": max_tokens
        }
        
        try:
            response = requests.post(
                f"{self.base_url}/chat/completions",
                headers=headers,
                json=data,
                timeout=30
            )
            response.raise_for_status()
            
            result = response.json()["choices"][0]["message"]["content"]
            self.log_usage(prompt, result)
            return result
        
        except requests.exceptions.RequestException as e:
            print(f"خطا در ارتباط با API: {e}")
            return None

# استفاده ایمن
secure_client = SecureAPIClient(API_TOKEN)
response = secure_client.make_secure_request("توضیح دهید چگونه می‌توان یک API امن طراحی کرد.")
print(response)

import time
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def robust_llm_request(prompt):
    try:
        # اضافه کردن تاخیر برای جلوگیری از محدودیت rate
        time.sleep(1)
        
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.5,
            max_tokens=2000
        )
        return response.choices[0].message.content
    
    except openai.error.RateLimitError:
        print("محدودیت میزان درخواست - افزایش تاخیر...")
        time.sleep(10)
        raise
    except openai.error.AuthenticationError:
        print("خطای احراز هویت - لطفا توکن API را بررسی کنید")
        raise
    except Exception as e:
        print(f"خطای ناشناخته: {str(e)}")
        raise

# استفاده از تابع مقاوم در برابر خطا
try:
    answer = robust_llm_request("چگونه می‌توان یک سیستم توصیه‌گر ساخت؟")
    print(answer)
except:
    print("نتوانستم پاسخ را دریافت کنم. لطفا بعدا تلاش کنید.")