uploaded files

Dockerfile

@@ -0,0 +1,14 @@
+FROM python:3.11-slim
+
+ENV PYTHONDONTWRITEBYTECODE=1
+ENV PYTHONUNBUFFERED=1
+
+WORKDIR /app
+
+COPY requirements.txt ./
+RUN pip install --no-cache-dir --upgrade pip && \
+    pip install --no-cache-dir -r requirements.txt
+
+COPY . .
+
+CMD ["python", "Server.py"]

Server.py

@@ -0,0 +1,73 @@
+from langchain_huggingface import HuggingFaceEndpoint,ChatHuggingFace
+from langchain_core.messages import HumanMessage,SystemMessage
+import os
+import pandas as pd
+from agent.agent_graph.graph import compiled_graph
+from agent.rag.rag import rag_text_chooser
+import sys
+import os
+from agent.agent_graph.StateTasks import Available_Tasks
+from agent.tools.PDF import PDF_generator_Node
+from agent.tools.email import EMAIL_sender_Node
+from agent.agent_graph.Graph_Nodes import get_llm_answer
+from agent.llm.prompts import NODES_Prompts
+import dotenv
+
+sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), '..', '..')))
+dotenv.load_dotenv("/content/drive/MyDrive/study/Projects/keys.env")
+def get_response(prompt,memory,hf_key,state,user_email,user_name):
+        # Setting up models
+        os.environ["HF_TOKEN"]  = hf_key
+        llm_gpt = HuggingFaceEndpoint(
+            repo_id="openai/gpt-oss-20b",#"deepseek-ai/DeepSeek-V3.2-Exp",#"openai/gpt-oss-20b",
+            task='conversational',
+            provider="auto",
+                max_new_tokens=2048
+        )
+        llm_gpt = ChatHuggingFace(llm=llm_gpt)
+
+        rag_model = rag_text_chooser(os.path.join(os.path.dirname(__file__), 'agent' ,'rag', 'rag.xlsx'))
+
+        # update state
+        state["question"] = prompt
+        state["memory"] = memory
+        state["llm"] = llm_gpt
+        state["rag_model"] = rag_model
+
+        call = compiled_graph.invoke(state)
+
+        save_send_email(call,user_email,user_name)
+        os.environ["HF_TOKEN"]  = "" # to prevent keep it in env for other calls and for security
+
+        return call
+
+def save_send_email(call,user_email,user_name):
+    if ("all_ok" in call.keys()):
+        if (call['all_ok']== True):
+          if (call['question_type'] in [Available_Tasks.LAPTOP_CHOOSE.value ,  
+            Available_Tasks.QUESTION.value ,
+    Available_Tasks.ROADMAP.value]):
+              email_txt = get_llm_answer(model_llm=call['llm'],messages=[HumanMessage(content=("اسم الزميل لتستخدمه هو :  "+ user_name +"/n/n")+ NODES_Prompts.Email_text.value + call['question'] + str(call['memory']) +  call['question_type'] + call['answer'])])
+              title = get_llm_answer(model_llm=call['llm'],messages=[HumanMessage(content=NODES_Prompts.Email_title.value + call['question'] + str(call['memory']) +  call['question_type']+ call['answer'])])
+
+              import tempfile
+              path_pdf = ''
+              with tempfile.NamedTemporaryFile(suffix=".pdf", delete=False) as tmp_file:
+                  path_pdf = tmp_file.name
+                  # هنا تكتب الكود اللي بيولد الملف
+                  print("PDF path:", path_pdf)
+
+              # بعد ما تخلص من الملف ممكن تحذفه
+              # import os
+              # os.remove(path_pdf)
+
+
+              #path_pdf ="/content/drive/MyDrive/study/Projects/CodeBuddyAI/tmp.pdf"
+              PDF_generator_Node(call['answer'],title,path_pdf)
+              EMAIL_sender_Node(user_email,email_txt,title,path_pdf)
+              import os
+              os.remove(path_pdf)
+              print("Done")
+
+
+

agent/agent_graph/Graph_Nodes.py

@@ -0,0 +1,174 @@
+import os
+from typing import TypedDict, List, Dict, Any, Optional
+from langgraph.graph import StateGraph, START, END
+from agent.agent_graph.StateTasks import *
+from agent.llm.prompts import *
+from typing import get_type_hints
+import json
+from langchain_core.messages import HumanMessage,SystemMessage
+from agent.agent_graph.Graph_Utils import get_egp_to_usd
+from agent.rag.rag import *
+
+def answer_question(state:ProblemState):
+  print("Answering...")
+  question = state["question"]
+
+
+  if state["question_type"] == Available_Tasks.LAPTOP_CHOOSE.value:
+      guide_prompt = Tasks_prompts.LAPTOP_THINK.value
+  elif state["question_type"] == Available_Tasks.ROADMAP.value:
+      guide_prompt = Tasks_prompts.ROADMAP.value
+  elif ("node_output_article" in state.keys()):
+      guide_prompt = Tasks_prompts.ROADMAP.value  +"<source>" + state["node_output_article"] +"</source>"
+
+  else:
+      guide_prompt = Tasks_prompts.RAG.value
+
+  
+  answer_prompt = ((guide_prompt + "طلب المستخدم:\n" + question + "\nاهم معلومات المستخدم لاستخدامها ف الدلالة (بالنسبة للسعر هو نفس السعر لكن بالدولار فدائما ركز على السعر بالدولار\n)"+ str(state)  + Route_prompts.FINALIZER_PROMPT.value))
+
+  print("ANSWER-PROMPT",answer_prompt)
+
+  state["answer"] = get_llm_answer(model_llm=state["llm"],messages=state["memory"] + [HumanMessage(content=(guide_prompt + "طلب المستخدم:\n" + question + "\nاهم معلومات المستخدم لاستخدامها ف الدلالة (بالنسبة للسعر هو نفس السعر لكن بالدولار فدائما ركز على السعر بالدولار\n)"+ str(state) + Route_prompts.FINALIZER_PROMPT.value))])
+
+  print("Answer ",state["answer"])
+  print("STATE ",state)
+  print("----------------------------")
+  return state
+
+
+def update_context(state:ProblemState):
+    # Control what keys can be modified to preven hullicination
+    keys = get_type_hints(ProblemState).keys()
+    keys_modifiable =  [] # keep it inside the function to make sure append to it not affected by other calls
+
+    _is_rag=False
+    _rag_text_if_exist = ""
+    
+    for i in list(keys):
+
+        # 1️⃣ استبعاد المفاتيح غير القابلة للتعديل نهائيًا
+        if i in ["question", "answer", "node_output_article", "memory"]:
+            continue
+ 
+        # 2️⃣ منع تعديل question_type بعد بداية الشات
+        # - question_type يُسمح به فقط في أول الشات
+        # - لو موجود بالفعل في state → يبقى الشات بدأ → ممنوع التعديل
+        # if exist question in data rag skip it
+
+        if i == "question_type":
+          if "question_type" in state.keys():
+              continue
+          
+          rag_text = state["rag_model"].get_relevant_question(state["question"])
+
+          if bool(rag_text):
+              _is_rag = True
+              _rag_text_if_exist = rag_text # store text to prevent calling twice
+              continue
+
+        # 3️⃣ أي key وصل هنا يبقى مسموح للـ LLM يرجّعه
+        keys_modifiable.append(i)
+
+    # Make the prompt
+    prompt_llm_new_info = Route_prompts.Context_UPDATOR.value + "\n <KEYS> \n" +str(keys_modifiable) +"\n </KEYS> <Text>"+state["question"]+"</Text>"
+
+    print("UPDATE - PROMPT",prompt_llm_new_info)
+
+   
+    llm_new_info = get_llm_answer(model_llm=state["llm"],messages = [HumanMessage(prompt_llm_new_info)])
+    print("ANSWER ", llm_new_info)
+
+
+    # Save and Process the returned json to prevent hallucination
+    try:
+        llm_new_info = json.loads(llm_new_info)
+        for key in llm_new_info.keys():
+            if key in keys_modifiable:
+                state[key] = llm_new_info[key]
+
+        # check if rag
+        if _is_rag:
+          state["question_type"] = Available_Tasks.QUESTION.value
+          state["node_output_article"] = _rag_text_if_exist 
+
+        # Check if all_ok can be answered now
+        last_question = state.get("answer", "")
+        check_finalized_prompt = (
+            "عندك ده اخر سوال واجابة"+
+            last_question +
+            state["question"] +
+            "هل معنى ذلك ان المستخدم اكد على الفهم الصحيح؟" +
+            "رجع فقط BOOL (True/False)"
+        )
+
+        print("UPDATE 2 - PROMPT ",check_finalized_prompt)
+        check_finalized = get_llm_answer(model_llm=state["llm"], messages = [HumanMessage(
+            check_finalized_prompt
+        )])
+        print("ANSWER ", check_finalized)
+        state['all_ok'] =  check_finalized.strip().lower() == "true" # If wrong parsed it's false
+        print("Context updated")
+
+
+
+    except Exception as e:
+       print("Context was not updated due to error : ",e)
+
+    print("STATE ",state)
+    print("----------------------------")
+
+    return state
+
+
+
+def convertPriceToDollar(state:ProblemState):
+    print("Converting price to dollar...")
+    if "price" in state.keys():
+      state["price"] = get_egp_to_usd(state["price"])
+      print("STATE ",state)
+      print("----------------------------")
+
+    return state
+
+def step(state:ProblemState):
+    next_topic = None
+
+    if "question_type" not in state.keys():
+        next_topic = "question_type"
+
+
+    else:
+        for i in task_steps[state.get("question_type")]:
+            if i not in state.keys():
+                next_topic = i
+                print("Next topic ",next_topic)
+                break
+    # Only after finishing the to do list of the question type we can ask for all_ok to confirm
+    if (not next_topic) and ("all_ok" not in state.keys() or (state["all_ok"]==False))  and "question_type" in state.keys():
+
+            next_topic = "all_ok"
+            print("Next topic ",next_topic)
+
+
+
+    step_prompt = (System_prompts.STATE_DESCRIBE.value + f"<order>{next_topic} </order> <state>{state}</state>" + Route_prompts.FINALIZER_PROMPT_STEP.value)
+    print("STEP PROMPT",step_prompt)
+    state['answer'] =  get_llm_answer(model_llm=state["llm"],messages = [HumanMessage(step_prompt)])
+    print("ANSWER ", state['answer'])
+    print("STATE ",state)
+    print("----------------------------")
+
+    return state
+
+def search_knowledgebase(state:ProblemState):
+    """
+    Search the vector database for relevant contexts.
+    """
+    # fetch top 3 relevant docs
+    state["node_output_article"] = state["rag_model"].get_relevant_question(state["question"])
+
+    return state
+
+def get_llm_answer(model_llm=None,messages=[HumanMessage(content="hi")]):
+    return model_llm.invoke(messages).content

agent/agent_graph/Graph_Routes.py

@@ -0,0 +1,19 @@
+from agent.agent_graph.StateTasks import *
+
+def is_question_clear(state:ProblemState): # not check type , only check to do list
+  is_clear = True # as used with and later
+
+  is_clear = is_clear and ("question" in state.keys())
+
+  is_clear = is_clear and ("question_type" in state.keys()) and (state.get("question_type") in task_steps.keys())
+
+  if "question_type" in state.keys():
+      for step in task_steps[state.get("question_type")]:
+
+          is_clear = is_clear and (step in state.keys())
+
+  is_clear = is_clear and (state["all_ok"]==True)
+
+  return is_clear
+
+

agent/agent_graph/Graph_Utils.py

@@ -0,0 +1,25 @@
+import requests
+USD_url = "https://open.er-api.com/v6/latest/EGP"
+
+def get_egp_to_usd(egp_amount):
+
+    try:
+        response = requests.get(USD_url, timeout=8)
+        response.raise_for_status()  # raise error for bad status
+        data = response.json()
+
+        if data.get("result") != "success":
+            print("API error:", data)
+            return None
+
+        rate = data["rates"]["USD"]
+        usd_amount = egp_amount * rate
+
+        return usd_amount
+
+    except Exception as e:
+        print("Error:", e)
+        return None
+
+
+get_egp_to_usd(1)

agent/agent_graph/StateTasks.py

@@ -0,0 +1,49 @@
+import os
+from typing import TypedDict, List, Dict, Any, Optional
+from enum import Enum
+
+# 1) Core Tasks
+class Available_Tasks(Enum):
+    LAPTOP_CHOOSE = "LAPTOP_CHOOSE"
+    QUESTION = "QUESTION" # EAG of well known
+    ROADMAP = "ROADMAP"
+    PROGRAMMING = "PROGRAMMING"
+    GENERAL = "GENERAL" # last option with notice
+    HELLO = "HELLO" # this is to generally detect hello , but in use update_context prompt control to not classify it as core type
+
+# 2) Task Steps
+task_steps = {
+    Available_Tasks.GENERAL.value : [],
+    Available_Tasks.LAPTOP_CHOOSE.value : ["price","usage","other_concern"],
+    Available_Tasks.QUESTION.value : [],
+    Available_Tasks.PROGRAMMING.value : [],
+    Available_Tasks.ROADMAP.value : ["career","level","experience","skills"],
+    Available_Tasks.HELLO.value : []
+}
+
+# 3) Tasks State
+class ProblemState(TypedDict):
+    # main
+    question: str
+    answer: Optional[str]
+    node_output_article : Optional[str]
+    memory: List[Dict[str, Any]] # filled by list of Human/Sytem messages ... as in gui
+
+    # to do lists
+    # same as defined in task_Steps
+    question_type : Optional[str] # --> must be of Available_Tasks values
+    price : Optional[str]
+    usage : Optional[str]
+    other_concern : Optional[str]
+    career : Optional[str]
+    level : Optional[str]
+    experience : Optional[List[str]]
+    skills : Optional[List[str]]
+    all_ok : Optional[bool]
+
+    # Models
+    llm: Optional[Any]
+    rag_model: Optional[Any]
+
+
+

agent/agent_graph/graph.py

@@ -0,0 +1,32 @@
+from IPython.display import Image, display
+from langgraph.graph import StateGraph, START, END
+from agent.agent_graph.Graph_Nodes import *
+from agent.agent_graph.Graph_Routes import *
+ 
+problem_graph = StateGraph(ProblemState)
+
+# Add nodes
+problem_graph.add_node("answer_question",answer_question)
+problem_graph.add_node("update_context",update_context)
+problem_graph.add_node("convertPriceToDollar",convertPriceToDollar)
+problem_graph.add_node("step",step)
+
+
+# Routes
+problem_graph.add_conditional_edges(
+    "update_context",
+    is_question_clear,
+    {
+        True: "convertPriceToDollar",
+        False: "step"
+    }
+)
+
+
+# Edges
+problem_graph.add_edge(START,"update_context")
+problem_graph.add_edge("convertPriceToDollar","answer_question")
+
+# Finalize
+compiled_graph = problem_graph.compile()
+#display(Image(compiled_graph.get_graph().draw_mermaid_png()))

agent/llm/prompts.py

@@ -0,0 +1,413 @@
+from enum import Enum
+from agent.agent_graph.StateTasks import Available_Tasks
+
+class System_prompts(Enum):
+      STATE_DESCRIBE = """
+        بيانات الحالة (state) مقسمة كالآتي:
+
+        1. البيانات الأساسية
+
+        question: str → هذا هو السؤال الذي أدخله المستخدم.
+
+        answer: Optional[str] → هذا الحقل مخصص لإجابتك، لكن لا تكتب فيه مباشرة، كود آخر سيملأه لاحقًا.
+
+        node_output_article: Optional[str] → هذا النص يُستخدم لإرسال معلومات إلى نود آخر، مثل نص سيتم إرساله عبر البريد، فقط عند الحاجة.
+
+        memory: List[Dict[str, Any]] → سجل المحادثة السابقة (الرسائل من المستخدم والنظام)، لا تملأه، كود آخر سيستخدمه.
+
+        2. قائمة المهام (To-Do / Question Type)
+
+        question_type: Optional[str] → يحدد نوع السؤال، ويجب أن يكون أحد القيم التالية من Enum Available_Tasks:
+
+        LAPTOP_CHOOSE → أي سؤال عن لابتوب أو كمبيوتر أو جهاز شغل.
+
+        ROADMAP → لو السؤال عن خارطة تعلم أو مسار دراسة (رودماب).
+
+        QUESTION → أسئلة مشهورة أو RAG.
+
+        PROGRAMMING → أي سؤال تقني أو برمجة دقيق.
+
+        GENERAL → أي سؤال آخر.
+
+        3. بيانات خاصة بالسؤال عن لابتوب
+
+        price: Optional[str] → الميزانية بالدولار.
+
+        usage: Optional[str] →
+        → الغرض الأساسي اللي الجهاز معمول عشانه
+        → الحاجة اللي لو الجهاز مش هيشغلها كويس يبقى فاشل
+        → اختر حاجة واحدة فقط
+        "تعرفها ازاى؟ لو قال "استخدامى  الاساسى 
+
+        other_concern: Optional[str] →
+        → أي استخدام إضافي أو ثانوي
+        → حاجات "لطيفة لو موجودة" بس مش سبب الشراء الأساسي
+        → ممكن يكون أكتر من حاجة
+        "تعرفها ازاى؟ لو قال "استخدام اخر 
+
+        4. بيانات خاصة بالسؤال عن رودماب
+
+        career: Optional[str] → المجال الذي يود المستخدم العمل فيه.
+        → المجال أو الوظيفة اللي عايز يشتغل فيها
+        → اسم مجال واحد واضح
+        → "عايز أبقى إيه؟"
+
+
+        level: Optional[str] → مستواه الحالي (مبتدئ، متوسط، متقدم).
+        → مستواه الحالي في المجال ده
+        → قيمة واحدة فقط: مبتدئ / متوسط / متقدم
+        → إحساس عام مش تفاصيل
+
+
+        experience: Optional[List[str]] → خبراته السابقة.
+        → حاجات اشتغل عليها قبل كده فعلًا
+        → مشاريع، شغل، دراسة عملية
+        → إجابة سؤال: "عملت إيه قبل كده؟"
+
+
+
+        skills: Optional[List[str]] → المهارات التي يمتلكها.
+        → مهارات أو أدوات بيعرف يستخدمها
+        → لغات، تقنيات، فريموركس
+        → إجابة سؤال: "بتعرف تعمل بإيه؟"
+
+
+        5. بيانات عامة
+
+        all_ok: Optional[bool] → للتأكد من صحة التحليل؛ ستسأل المستخدم "هل هذه المعلومات صحيحة؟" ويجيب بنعم أو لا.
+      """
+      SYSTEM_PROMPT = """
+        انت نظام CodeBuddy نظام مخصص للمبرمجين الجداد
+        تجب عن الاسئلة المشهورة كمبتدا وتصنع خرائط roadmaps وترشح لابتوب وغيره
+
+        - يجب ان تكون ودودا
+        - فكر قبل الاجابة
+        - اذا كنت غير متاكد ف الاجابة لديك الحرية ان تقول
+        "بص هو غالبا ......على اساس ان ...سبب .. ممكن تحاول تدور فيها اكتر او هتوضح مع الخبرة"
+        -حاول بردوا تفهم شعور الطالب لو مرتبك تكون تقوله بالراحة كدة ولو حزين قله فاهمك يخويك متزعلش ....
+        - اذا اعطيتك خيارات لارجاع منها اياك ابدا ابدا ان تخرج عنها او ترجع قيمة فارغة بل فكر واختار الاقرب حسب المعنى
+        - مش لازم تطول وتزود كتير خليك مركز
+        - - لا تتوقف قبل إكمال الفكرة
+
+
+
+        ستستلم معلومات ال state كالاتى:
+
+      """ + STATE_DESCRIBE
+      
+class Tasks_prompts(Enum):
+
+      ROADMAP = f"""
+      أنت الآن دورك مستشار تعلم ودود. مهمتك مساعدة الشخص على وضع **خطة تعلم شخصية منظمة** بناءً على معلوماته:
+
+        - career: المجال أو الوظيفة اللي عايز يشتغل فيها
+        - level: مستواه الحالي أو كم سنة شغال
+        - experience: خبراته العملية الحالية
+        - skills: المهارات اللي عنده
+
+        مطلوب منك:
+        1) تبني له خطة منظمة خطوة بخطوة
+        2) تشمل تأسيس قوي للمبادئ الأساسية
+        3) تخليه يواكب العصر والتقنيات الحديثة
+        4) شرحها بطريقة بسيطة ومريحة، بحيث ميتعقدش أو يحس بالضغط
+        5) تخليه يطلع مشروع أو نتيجة قريبة ممكن يعملها، حتى لو بسيطة، لو أمكن
+
+        قواعد أثناء الكتابة:
+        - ركز على **الأساسيات أولاً ثم التدرج للمستوى المتقدم**
+        - قدم أمثلة عملية بسيطة، بدون غرق في تفاصيل دقيقة جداً
+        - وضّح أدوات أو موارد ممكن تساعده، سواء أونلاين أو برامج بسيطة
+        - أخيراً، شجّعه على البدء الآن:
+        > "خد خطوة دلوقتي، والباقي هييجي مع الوقت، وكلنا بنحتار الأول، المهم تبدأ."
+
+      """
+
+      RAG = f"""
+      انت المصدر الاخير للمعلومات. لا تستخدم أي معلومة غير موجودة في <source>.
+      إذا لم يكن هناك إجابة واضحة في <source>، أجب: "لا تتوفر معلومات كافية".
+      صغ الرد بأسلوب ودود ومرتب، لا تضف أمثلة أو أرقام من خبرتك الشخصية.
+      إذا كان المصدر يشير إلى موقع فقط، فاشرح للمستخدم أن البيانات يمكن الاطلاع عليها في هذا الموقع.
+      استعمل مصدر المعلومات الاتى 
+      """
+      LAPTOP_THINK = f"""
+      أنت الآن في دور مستشار تقني ودود.
+        مهمتك مساعدة المستخدم يفكّر إزاي يختار لابتوب، وليس ماذا يشتري.
+        ممنوع تمامًا ذكر أي اسم جهاز أو موديل أو شركة.
+
+        ====================
+        قواعد صارمة قبل الإجابة
+        ====================
+
+        1) لا افتراض:
+        ممنوع افتراض وجود مواصفات غير منطقية للسعر.
+        لو المواصفة غير متاحة اقتصاديًا → صرّح بأنها غير ممكنة.
+
+        2) السعر هو الحاكم:
+        إذا تعارض الاستخدام مع السعر → السعر يكسب.
+        ممنوع رفع المواصفات لإرضاء الاستخدام.
+
+        3) لا دقة زائفة:
+        ❌ ممنوع الجداول
+        ❌ ممنوع ذكر أجيال حديثة مع أسعار رخيصة
+        ❌ ممنوع ذكر كروت شاشة قوية أو حديثة إلا إذا السعر يسمح منطقيًا
+
+        4) نبرة الإجابة:
+        لا تتحدث بثقة مطلقة.
+        استخدم دائمًا:
+        "في الغالب"
+        "المتوقع"
+        "المنطقي في الرينج ده"
+        لو في شك → قل إنه حد أدنى أو توقع، وليس ضمانًا.
+
+        5) حجم الإجابة:
+        لو السؤال بسيط → الإجابة لا تتجاوز 8–10 سطور.
+        ممنوع التقارير الطويلة.
+
+        ====================
+        الخطوة 1: تحديد الاستخدام (الأهم)
+        ====================
+
+        ابدأ دائمًا بتحديد الاستخدام الأساسي فقط.
+        ❌ ممنوع شرح كل الاستخدامات
+        ❌ ممنوع فتح أقسام لم يُسأل عنها
+        ✅ مسموح فقط ذكر نوع المعالج / الجيل / الرام / التخزين / الكارت بشكل عام
+        ✅لو في تعارض بين السعر والمواصفات، وضّح التعارض بدل ما تحاول تلفّق حل.
+        ردودك تكون خطوط عريضة بدون تشعب.
+
+        خريطة الاستخدام → المتطلبات العامة:
+
+        - دراسة فقط:
+        → أي جهاز حديث نسبيًا ينفع
+
+        - برمجة ويب / موبايل:
+        → Core i3 أو i5 قديم نسبيًا
+        → التركيز على RAM و SSD
+
+        - ألعاب:
+        → التركيز على كارت الشاشة
+        → لو السعر قليل جدًا، صرّح أن الأداء سيكون محدود جدًا
+        → لو الألعاب اهتمام جانبي: سطر تحذيري واحد فقط بدون ذكر كروت أو VRAM
+
+        - مونتاج / جرافيكس:
+        → كارت مخصص للمونتاج + بروسيسور أقوى نسبيًا
+
+        - ذكاء اصطناعي:
+        → الكارت + البروسيسور أهم شيء
+        → أفضل أداء ممكن داخل الفئة السعرية فقط
+
+        - استخدام غير محدد:
+        → جهاز متوازن داخل الفئة السعرية
+
+        أساسيات في كل الحالات:
+        - SSD
+        - RAM لا تقل عن 8GB
+        - Windows 10/11 أو Linux حديث أو macOS
+
+        ====================
+        الخطوة 2: تقريب المواصفات
+        ====================
+
+        قرّب المواصفات الواقعية فقط.
+        اذكر "أفضل ما يمكن استهدافه" داخل نفس الفئة السعرية في 2025.
+        ممنوع ذكر مواصفات تعلم أنها نادرة أو غير متاحة في هذا السعر.
+
+        ====================
+        الخطوة 3: البرامج
+        ====================
+
+        لو المستخدم ذكر برنامج:
+        قل له يرجع للموقع الرسمي ويشوف المتطلبات.
+        اذكر أمثلة أسماء فقط بدون شرح:
+        Android Studio – Blender – AutoCAD
+
+        ====================
+        الخطوة 4: Other Concern
+        ====================
+
+        لخّص أي احتياج إضافي في سطر واحد.
+        لو خارج نطاق السعر → صرّح بذلك بوضوح.
+
+        ====================
+        الخطوة 5: السعر
+        ====================
+
+        - قيّم السعر: رخيص / متوسط / غالي (حسب 2025)
+        - لو بالجنيه: حوّله تقديريًا للدولار
+        - قل: "أعلى مواصفات منطقية في الرينج ده غالبًا هي…"
+
+        لو السعر غير كافٍ:
+        صرّح بذلك بوضوح.
+        اقترح بدائل أونلاين مناسبة فقط للاستخدام الأساسي:
+        Google Colab – Firebase – Android IDX – VS Code Web
+
+        ====================
+        الخطوة 6: الخاتمة
+        ====================
+
+        أكّد أن التعلم والتفكير أهم من قوة اللابتوب.
+        شجّع المستخدم يبدأ دلوقتي.
+
+        ====================
+        اكتب الإجابة الآن بأسلوب ودود وبسيط.
+        أنهِي الرد بجملة واضحة ولا تتوقف في منتصف جملة.
+
+      """
+
+      
+
+      GENERAL_QUESTION = f"""
+        انت المصدر الاخير للمعلومات
+        فقله فيما معناه ان لا تتوفر اجابة والاجابة مصدرها اجتهاد وقد تكون غير محدثة
+        -ثم اجب
+      """
+
+class Route_prompts(Enum):
+      Context_UPDATOR = """
+        ساعطيك نصا ف <text>
+        المطلوب حلل النص  ورجع المعلومات ال فيه بصورة dictionary json
+        - only onlys dict no other words like "json"...
+        - keys of the json to be returned must be only from <Keys> only not </keys>
+        - يعنى ال مطلوب منك ببساطة حلل ال ف text لو ف معلومة من اللمرفقين ف keys
+        موجود ف النص ام لا
+        ❗ بخصوص المفتاح all_ok:
+        - لا تحاول تخمينه أو استنتاجه بأي شكل.
+        - لا تُرجِع all_ok إلا إذا صرّح المستخدم صراحة أنه موافق / تمام / كده تمام / مفهوم / كله واضح.
+        - إذا لم يوجد تأكيد صريح من المستخدم → لا تُرجِع all_ok نهائيًا.
+        - إذا قال المستخدم "لا معنديش استخدامات تانية" او ذكر اى كلمة استخدام فرعى فحدث other_concern
+        ولا تضعها في usage    
+        - اياك اياك ابدا ان ترجع فى question_type
+        اى شى غير موجود فى 
+        """+str([i.value for i in Available_Tasks if i.name!="QUESTION"])+"""}
+        ex
+        → ارجع {"other_concern": "لا يوجد"}
+        ❗ ممنوع الدمج أو التعميم:
+        - لا تدمج مجالات.
+        - لا تفترض نية المستخدم.
+        - لا تكمّل الناقص من عندك.
+
+
+        1-USER: عاوز لابتوب ف رينج 5000
+        System: {"price":5000,"question_type":"LAPTOP_CHOOSE"}
+
+        2- USER: عاوز اتعلم برمجة موبايل
+        System: {"question_type":"ROADMAP","career":"برمجة موبايل"}
+
+        3- USER :مشعارف
+        System: {}
+
+        4- USER: معاى نص مليون جنيه
+        System: {"price":1000000}
+        5- USER : السلام عليكم اى الاخبار
+        System: {}
+      """
+
+
+      FINALIZER_PROMPT = """
+        صوغ الكل��م ف صيغة ودودة ومرتبه كانك بتشرح مش بتتكلم
+        الآن اكتب الإجابة النهائية للمستخدم. أنهِي الرد بجملة واضحة ولا تتوقف ابدا في منتصف جملة.
+        """
+
+      FINALIZER_PROMPT_STEP = """
+        أنت في خطوة الـ Finalizer.
+        مهمتك سؤال واحد فقط بناءً على قيمة <order>، ولا شيء غيره.
+
+        قواعد صارمة:
+        1) اسأل سؤال واحد فقط متعلق بـ <order>.
+        2) لا تضف أي معلومات أو نصائح أو استنتاجات.
+        3) لا تنتقل لمرحلة التأكيد (all_ok) إلا إذا كانت بياناتها مكتملة.
+        4) لا تسأل "هل هذه المعلومات صحيحة" إلا إذا كان <order> == all_ok.
+       5 ) لو الإدخال تحية أو كلام عام، لا تذهب إلى all_ok.
+        رد التحية اولا ثم اساله عاوز اى
+        اياك تشرح التحية
+        6) قدم ملخصًا واضحًا لما فهمته في جملة واحدة 
+        (من معطى ال <state>  قدم ملخص اى ال فهمته مطلوب اذا فقط وجد معلومات) 
+        - يجب الا تكون غبيا اذا فقط السوال هو تحية فرد التحية مطولش
+        ومتقولش فهمت انك بتحيي
+        7)اى حاجة غير is_ok وضحها بظبط بطريقة بسيطة ومثال
+        كما ف الامثلة
+
+        8)يجب ان:
+        - توضيح بسيط للمقصود
+        - مثال واحد أو أكثر
+        حتى لو كان السؤال مباشر.
+
+
+        ❗ تحذير:
+        يُمنع منعًا باتًا سؤال أي شيء غير <order>.
+        حتى لو كانت معلومة ناقصة أو مذكورة سابقًا.
+
+
+
+        النبرة المطلوبة:
+        - ودودة وبسيطة.
+        - كأنك زميل بتتكلم، مش بوت.
+        - بدون كلمات رسمية زي "بالرجاء".
+        وبردود مشجعة
+        ومودبة مش كلمة عاوز 
+
+        التصرف حسب <order>:
+        - إذا <order> == usage:
+        اسأل: "طيب استخدامك الأساسي إيه؟"
+        - إذا <order> == price:
+        اسأل: "طيب بادجتك كام تقريبًا؟"
+        - إذا <order> == all_ok:
+        قدم ملخصًا واضحًا لما فهمته في جملة واحدة،
+        ثم اسأل: "هل فهمي كده صح؟"
+
+
+        مثال:
+        <order>usage</order>
+        الرد: طيب استخدامك الأساسي إيه؟
+        اقصد اهم استخدام → الحاجة اللي لو الجهاز مش هيشغلها كويس يبقى فاشل
+
+        مثال:
+        <order>other_concern </order>
+        الرد : عندك اى استخدام تانى؟
+        → حاجات "لطيفة لو موجودة" بس مش سبب الشراء الأساسي
+
+        مثال:
+        <order>price</order>
+        الرد: طيب بادجتك كام تقريبًا؟
+        نطاق السعر ال تقدر تدفعه
+        (ادخل رقم واحد للمتوسط)
+
+
+        مثال:
+        <order>all_ok</order>
+        الرد: تمام، فهمت إنك عايز لابتوب بسعر X لاستخدام Y، هل فهمي كده صح؟
+
+
+    """
+
+class NODES_Prompts(Enum):
+    Email_text  = """
+      سأعطيك نصًا يحتوي على محادثة كاملة،
+      وفي النهاية توجد الإجابة أو النتيجة النهائية.
+
+      لا تهتم بالتفاصيل الدقيقة داخل الحوار.
+      المطلوب هو فهم السياق العام فقط.
+
+      اكتب ملخصًا قصيرًا مناسبًا ليكون نص بريد إلكتروني
+      مرسل إلى زميل عمل، يوضح خلاصة ما تم الاتفاق عليه.
+
+      يجب أن يكون الأسلوب مهنيًا وبسيطًا.
+      يمكنك الإشارة إلى أن التفاصيل موجودة في الملف إذا احتاجها.
+
+      المطلوب:
+      - إخراج نص الإيميل فقط. بالعامية المصرى
+      - بدون أي مقدمات أو شروحات إضافية.
+    """
+
+    Email_title  = """
+      سأعطيك نصًا يحتوي على محادثة كاملة،
+      وفي النهاية توجد الإجابة أو النتيجة النهائية.
+
+      لا تهتم بالتفاصيل.
+      المطلوب هو فهم موضوع المحادثة فقط.
+
+      اكتب عنوانًا قصيرًا وواضحًا يلخص موضوع المحادثة
+      كما لو كان عنوان بريد إلكتروني.
+
+      المطلوب:
+      - إخراج العنوان فقط.
+      - بدون أي نص إضافي.
+    """

agent/rag/rag.py

@@ -0,0 +1,47 @@
+from langchain_text_splitters import CharacterTextSplitter
+from langchain_core.documents import Document # Added import for Document
+from sentence_transformers import SentenceTransformer, util
+import pandas as pd
+
+class rag_text_chooser:
+    def __init__(self,data_rag):
+        self.data_rag = pd.read_excel(data_rag) 
+
+        self.corpus, self.answers = self.get_questions_Answers()
+        self.model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
+        self.corpus_embeddings = self.model.encode(self.corpus)
+
+
+
+    def get_questions_Answers(self):
+
+        questions = []
+        answers = []
+
+        for _, row in self.data_rag.iterrows():
+            questions.append(row[0])
+            answers.append(row[1])
+        
+        return questions, answers
+
+    def get_relevant_question(self, query):
+        # 4) Encode the Arabic query
+        query_embedding = self.model.encode(query)
+
+        # 5) Compute cosine similarity
+        cos_scores = util.cos_sim(query_embedding, self.corpus_embeddings)[0]
+
+        # 6) Rank results
+        top_results = cos_scores.argsort(descending=True)
+
+
+        matched_result = None
+        for idx in top_results:
+            if (cos_scores[idx] < .7): # Mostly not relate to her:
+                matched_result = None
+            else:
+                matched_result = (f"Questions {self.corpus[idx]} \n Answer {self.answers[idx]} \n (score: {cos_scores[idx]:.4f})")
+
+            break
+
+        return matched_result

agent/tools/PDF.py

@@ -0,0 +1,36 @@
+from markdown_pdf import MarkdownPdf, Section
+import os
+
+#### For this version the nodes used directly not by graph
+
+format_css = """
+body {
+    font-family: 'Amiri', 'Arial', sans-serif;  /* خط يدعم عربي وانجليزي */
+    font-size: 12pt;
+    line-height: 1.6;
+    direction: rtl;       /* لجعل النص من اليمين لليسار */
+    margin: 20px;
+}
+h1, h2, h3 {
+    color: #2E86C1;
+    margin-bottom: 10px;
+} 
+table {
+    border-collapse: collapse;
+    width: 100%;
+    margin-bottom: 10px;
+}
+table, th, td {
+    border: 1px solid #555;
+    padding: 6px;
+}
+th {
+    background-color: #f0f0f0;
+}
+"""
+
+def PDF_generator_Node(text_md,text_title,path_pdf):
+    pdf = MarkdownPdf(toc_level=2)
+    pdf.add_section(Section("# "+text_title), user_css=format_css)
+    pdf.add_section(Section(text_md), user_css=format_css)
+    pdf.save(path_pdf)

agent/tools/email.py

@@ -0,0 +1,39 @@
+import smtplib
+from email.message import EmailMessage
+import os
+
+#### For this version the nodes used directly not by graph
+
+
+smtp_server = "smtp.gmail.com" # SMTP is protcol for sending mail, use this server
+smtp_port = 587
+# for large scale / send many message you should use other server
+
+def EMAIL_sender_Node(user_email,email_txt,subject,path_pdf):
+    APP_email = os.environ["APP_email"]
+    APP_password = os.environ["APP_password"]
+  
+    msg = EmailMessage()
+    msg["Subject"] = subject
+    msg["From"] = APP_email
+    msg["To"] = user_email
+
+    msg.set_content(email_txt)
+
+    with open(path_pdf, "rb") as f:
+        file_data = f.read()
+        msg.add_attachment(file_data,
+                          maintype="application",
+                          subtype="pdf",
+                          filename=path_pdf)
+        
+
+    with smtplib.SMTP(smtp_server, smtp_port) as server:
+        server.ehlo() # know server / get info
+        server.starttls() # start the tls  (securing protocol)
+        server.ehlo() 
+        server.login(APP_email, APP_password)
+        server.send_message(msg)
+    print("Email sent!")
+
+

app.py

@@ -0,0 +1,28 @@
+from fastapi import FastAPI
+import sys
+import os
+sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), '..', '..')))
+from Server import get_response
+from pydantic import BaseModel
+
+# Create app instance
+app = FastAPI()
+
+class RequestModel(BaseModel):
+    prompt: str
+    ht_token : str
+    user_email : str
+    user_name : str
+    memory: list[str]
+
+
+@app.get("/")
+def read_root():
+    return {"message": "Hello From CodeBuddyAI!"}
+
+
+@app.post("/call/")
+def call(request: RequestModel):
+    answer = get_response(request.prompt, request.memory,request.ht_token,request.user_email,request.user_name)
+    
+    return {"answer": answer}

requirements.txt

@@ -0,0 +1,14 @@
+langchain-huggingface
+langchain-core
+langchain-text-splitters
+langgraph
+python-dotenv
+pandas
+openpyxl
+sentence-transformers
+requests
+ipython
+fastapi 
+uvicorn
+markdown_pdf
+smtplib