# مثال تعریف یک تابع در LangChain
from langchain.tools import tool

@tool
def search_database(query: str, filters: dict = None) -> str:
 """
 جستجو در پایگاه‌داده سازمانی
 
 Args:
 query: متن جستجو
 filters: فیلترهای اختیاری (مثلاً {"date": "2024-01-01"})
 
 Returns:
 نتایج جستجو به صورت JSON
 """
 # پیاده‌سازی واقعی
 return search_results

@tool
def enhanced_web_search(query: str, max_results: int = 5) -> str:
 """
 جستجوی پیشرفته در وب با فیلترینگ و خلاصه‌سازی
 """
 # جستجو با محدودیت
 raw_results = search_api.search(
 query=query,
 num_results=max_results,
 allowed_domains=TRUSTED_DOMAINS
 )
 
 processed_results = []
 for result in raw_results:
 # استخراج محتوای اصلی
 content = extract_main_content(result.url)
 
 # خلاصه‌سازی
 summary = llm.summarize(
 content, 
 focus=query, 
 max_length=200
 )
 
 # محاسبه relevance
 relevance_score = calculate_relevance(summary, query)
 
 if relevance_score > THRESHOLD:
 processed_results.append({
 "url": result.url,
 "title": result.title,
 "summary": summary,
 "score": relevance_score
 })
 
 # مرتب‌سازی بر اساس امتیاز
 processed_results.sort(key=lambda x: x["score"], reverse=True)
 
 return format_results_with_citations(processed_results)

SYSTEM_PROMPT = """
شما یک دستیار دانش‌بنیان هوشمند هستید که برای [نام سازمان] کار می‌کنید.

**هدف:** پاسخ‌گویی دقیق و مستند به پرسش‌های کاربران بر اساس اسناد داخلی و منابع معتبر

**ابزارهای در دسترس:**
- search_internal_docs: جستجو در اسناد داخلی سازمان
- web_search: جستجو در وب برای اطلاعات به‌روز
- create_summary: تهیه خلاصه از اسناد

**سیاست‌ها:**
1. همیشه به منابع استفاده‌شده ارجاع دهید
2. اگر مطمئن نیستید، صریحاً بگویید و منابع بیشتر پیشنهاد دهید
3. برای موضوعات حساس، به مدیریت ارجاع دهید
4. در پاسخ‌های فارسی، از لحن رسمی و حرفه‌ای استفاده کنید

**کاربر فعلی:**
نقش: {role}
دپارتمان: {department}
سطح دسترسی: {access_level}

**سبک ارجاع:**
برای هر ادعا یا اطلاعات، به صورت [منبع: عنوان، صفحه/بخش] ارجاع دهید.
"""

# نمونه تنظیمات SCIM در Open WebUI
{
 "scim": {
 "enabled": true,
 "endpoint": "https://your-idp.com/scim/v2",
 "auth_token": "YOUR_SCIM_TOKEN",
 "sync_interval": "hourly",
 "user_attributes": ["email", "name", "department", "role"],
 "auto_provision": true,
 "auto_deprovision": true
 },
 "rbac": {
 "roles": {
 "admin": {
 "models": ["*"],
 "tools": ["*"],
 "data_access": ["public", "internal", "confidential"]
 },
 "developer": {
 "models": ["gpt-4o-mini", "claude-3-sonnet"],
 "tools": ["web_search", "code_execution", "rag"],
 "data_access": ["public", "internal"]
 },
 "viewer": {
 "models": ["gpt-4o-mini"],
 "tools": ["web_search"],
 "data_access": ["public"]
 }
 }
 }
}

# نمونه یک Pipeline سفارشی برای اتصال به CRM
class CRMIntegrationPipeline:
 def __init__(self):
 self.crm_client = CRMClient(api_key=os.getenv("CRM_API_KEY"))
 
 async def on_startup(self):
 """اجرا هنگام بارگذاری pipeline"""
 print("CRM Pipeline loaded")
 
 async def inlet(self, body: dict) -> dict:
 """پیش‌پردازش ورودی کاربر"""
 user_id = body.get("user", {}).get("id")
 
 # دریافت context از CRM
 customer_data = await self.crm_client.get_customer(user_id)
 
 # افزودن به context
 body["context"] = {
 "customer_name": customer_data["name"],
 "account_type": customer_data["type"],
 "last_interaction": customer_data["last_contact"]
 }
 
 return body
 
 async def outlet(self, body: dict) -> dict:
 """پس‌پردازش خروجی LLM"""
 # ثبت تعامل در CRM
 await self.crm_client.log_interaction(
 customer_id=body["user"]["id"],
 interaction_type="ai_chat",
 summary=body["response"][:200]
 )
 
 return body

# تعریف تابع سفارشی (BYOF)
@function
def get_customer_orders(customer_id: str, limit: int = 10) -> str:
 """
 دریافت لیست سفارشات یک مشتری از CRM
 
 Args:
 customer_id: شناسه مشتری
 limit: تعداد سفارشات (پیش‌فرض: 10)
 """
 orders = crm_client.get_orders(customer_id, limit=limit)
 return format_orders_as_text(orders)

OPERATIONAL_PROMPT = """
نقش: دستیار دانش‌بنیان حرفه‌ای شرکت [نام]

هدف اصلی:
پاسخ‌گویی دقیق و مستند به پرسش‌های کاربران با استفاده از:
1. اسناد داخلی سازمان (اولویت اول)
2. منابع معتبر وب (برای اطلاعات به‌روز)
3. استدلال و ترکیب اطلاعات

ابزارهای مجاز:
- search_internal_docs(query): جستجو در بانک اسناد داخلی
- web_search(query, max_results=5): جستجوی وب در منابع معتبر
- create_summary(text, max_length): تهیه خلاصه از متن طولانی

سیاست‌ها و محدودیت‌ها:
1. همیشه ابتدا اسناد داخلی را بررسی کنید
2. برای هر ادعا، منبع مشخص کنید
3. اگر مطمئن نیستید، صریحاً اعلام کنید
4. حداکثر 3 بار چرخه Thought→Action→Observation
5. به داده‌های حساس بدون تأیید دسترسی نداشته باشید

فرمت خروجی:
[پاسخ اصلی با ساختار مناسب]

منابع:
1. [عنوان سند/صفحه]
2. [URL وب‌سایت]

کاربر فعلی: {user_name} | نقش: {user_role} | دسترسی: {access_level}
"""

from typing import Optional, List
from pydantic import BaseModel, Field

class SearchOrdersParams(BaseModel):
 customer_id: str = Field(..., description="شناسه یکتای مشتری")
 status: Optional[str] = Field(
 None, 
 description="وضعیت سفارش (pending, completed, cancelled)"
 )
 limit: int = Field(
 10, 
 ge=1, 
 le=100, 
 description="حداکثر تعداد نتایج (1-100)"
 )

@tool
def search_customer_orders(
 customer_id: str,
 status: Optional[str] = None,
 limit: int = 10
) -> str:
 """
 جستجوی سفارشات یک مشتری در سیستم CRM
 
 این تابع سفارشات یک مشتری را بر اساس شناسه و فیلترهای اختیاری
 جستجو می‌کند و لیست سفارشات را برمی‌گرداند.
 
 Args:
 customer_id: شناسه یکتای مشتری (الزامی)
 status: فیلتر بر اساس وضعیت (اختیاری: pending, completed, cancelled)
 limit: حداکثر تعداد نتایج (پیش‌فرض: 10، حداکثر: 100)
 
 Returns:
 لیست سفارشات به فرمت JSON string
 
 Raises:
 ValueError: اگر customer_id نامعتبر یا status غیرمجاز باشد
 
 Example:
 search_customer_orders("CUS-12345", status="completed", limit=5)
 """
 # Validation
 if not customer_id.startswith("CUS-"):
 raise ValueError("customer_id باید با 'CUS-' شروع شود")
 
 valid_statuses = ["pending", "completed", "cancelled", None]
 if status not in valid_statuses:
 raise ValueError(f"status باید یکی از {valid_statuses} باشد")
 
 # پیاده‌سازی واقعی
 try:
 orders = crm_client.get_orders(customer_id, status, limit)
 return format_orders(orders)
 except Exception as e:
 return f"خطا در جستجوی سفارشات: {str(e)}"