first commit

rag/user_data.py

@@ -1,14 +1,15 @@
 """
-ساخت دیتای خاک کاربر از sensor_data و soil_data — Schema-agnostic
+ساخت دیتای خاک و هواشناسی کاربر از sensor_data، location_data و weather — Schema-agnostic
 هر سنسور = یک کاربر. شناسایی با uuid_sensor.
 
 مدل‌های Django داخل توابع import می‌شوند تا از AppRegistryNotReady جلوگیری شود.
 """
+from datetime import date
+
 from django.db.models import Model
 
 
-# فیلدهایی که در متن embed نباید بیایند (شناسه‌ها، رابطه‌ها)
-EXCLUDE_FIELD_NAMES = {"id", "created_at", "updated_at", "task_id", "recorded_at"}
+EXCLUDE_FIELD_NAMES = {"id", "created_at", "updated_at", "task_id", "recorded_at", "fetched_at"}
 
 
 def _model_to_data_fields(instance: Model, exclude: set[str] | None = None) -> dict:
@@ -43,7 +44,7 @@ def build_user_soil_text(sensor_uuid: str) -> str | None:
         متن متنی قابل چانک، یا None اگر سنسور یافت نشد.
     """
     from sensor_data.models import SensorData
-    from soil_data.models import SoilDepthData
+    from location_data.models import SoilDepthData
 
     try:
         sensor = SensorData.objects.select_related("location").get(
@@ -89,7 +90,7 @@ def build_user_soil_text(sensor_uuid: str) -> str | None:
         if depth_parts:
             parts.append("داده‌های خاک:\n" + "\n".join(depth_parts))
 
-    return "\n\n".join(parts) if parts else None
+    return "\n\n".join(parts) if len(parts) > 1 else None
 
 
 def get_all_sensor_uuids() -> list[str]:
@@ -102,11 +103,54 @@ def get_all_sensor_uuids() -> list[str]:
     ]
 
 
+def build_user_weather_text(sensor_uuid: str) -> str | None:
+    """
+    ساخت متن هواشناسی قابل embed برای یک سنسور (کاربر).
+    پیش‌بینی ۷ روز آینده از WeatherForecast خوانده می‌شود.
+
+    Returns:
+        متن فارسی ساختاریافته، یا None اگر داده‌ای نباشد.
+    """
+    from sensor_data.models import SensorData
+    from weather.models import WeatherForecast
+
+    try:
+        sensor = SensorData.objects.select_related("location").get(
+            uuid_sensor=sensor_uuid
+        )
+    except SensorData.DoesNotExist:
+        return None
+
+    loc = sensor.location
+    forecasts = (
+        WeatherForecast.objects.filter(
+            location=loc,
+            forecast_date__gte=date.today(),
+        )
+        .order_by("forecast_date")[:7]
+    )
+    if not forecasts:
+        return None
+
+    parts: list[str] = []
+    parts.append(f"پیش‌بینی هواشناسی سنسور {sensor_uuid} (موقعیت: {loc.latitude}, {loc.longitude})")
+
+    for fc in forecasts:
+        fc_data = _model_to_data_fields(
+            fc, exclude={"location", "location_id", "forecast_date"}
+        )
+        lines = [f"    {k}: {v}" for k, v in sorted(fc_data.items())]
+        day_text = f"  تاریخ {fc.forecast_date}:\n" + "\n".join(lines)
+        parts.append(day_text)
+
+    return "\n\n".join(parts) if len(parts) > 1 else None
+
+
 def load_user_sources() -> list[tuple[str, str]]:
     """
-    بارگذاری منابع دیتای کاربران از DB.
+    بارگذاری منابع دیتای کاربران از DB (خاک + هواشناسی).
     Returns: [(source_id, content), ...]
-    source_id = user:{sensor_uuid}
+    source_id = user:{uuid} یا weather:{uuid}
     """
     uuids = get_all_sensor_uuids()
     sources: list[tuple[str, str]] = []
@@ -114,4 +158,72 @@ def load_user_sources() -> list[tuple[str, str]]:
         text = build_user_soil_text(str(uid))
         if text and text.strip():
             sources.append((f"user:{uid}", text))
+        weather_text = build_user_weather_text(str(uid))
+        if weather_text and weather_text.strip():
+            sources.append((f"weather:{uid}", weather_text))
     return sources
+
+
+def build_plant_text(plant_name: str, growth_stage: str) -> str | None:
+    """
+    ساخت متن اطلاعات گیاه از جدول Plant برای استفاده در context LLM.
+    """
+    from plant.models import Plant
+
+    plant = Plant.objects.filter(name=plant_name).first()
+    if not plant:
+        return None
+
+    lines = [
+        f"نام گیاه: {plant.name}",
+        f"مرحله رشد: {growth_stage}",
+    ]
+    if plant.light:
+        lines.append(f"نور مورد نیاز: {plant.light}")
+    if plant.watering:
+        lines.append(f"آبیاری: {plant.watering}")
+    if plant.soil:
+        lines.append(f"خاک مناسب: {plant.soil}")
+    if plant.temperature:
+        lines.append(f"دمای مناسب: {plant.temperature}")
+    if plant.planting_season:
+        lines.append(f"فصل کاشت: {plant.planting_season}")
+    if plant.harvest_time:
+        lines.append(f"زمان برداشت: {plant.harvest_time}")
+    if plant.spacing:
+        lines.append(f"فاصله کاشت: {plant.spacing}")
+    if plant.fertilizer:
+        lines.append(f"کود مناسب: {plant.fertilizer}")
+
+    return "\n".join(lines)
+
+
+def build_irrigation_method_text(method_name: str) -> str | None:
+    """
+    ساخت متن مشخصات روش آبیاری از جدول IrrigationMethod برای استفاده در context LLM.
+    """
+    from irrigation.models import IrrigationMethod
+
+    method = IrrigationMethod.objects.filter(name=method_name).first()
+    if not method:
+        return None
+
+    lines = [f"روش آبیاری: {method.name}"]
+    if method.category:
+        lines.append(f"دسته‌بندی: {method.category}")
+    if method.description:
+        lines.append(f"توضیحات: {method.description}")
+    if method.water_efficiency_percent is not None:
+        lines.append(f"راندمان مصرف آب: {method.water_efficiency_percent}%")
+    if method.water_pressure_required:
+        lines.append(f"فشار مورد نیاز: {method.water_pressure_required}")
+    if method.flow_rate:
+        lines.append(f"دبی جریان: {method.flow_rate}")
+    if method.coverage_area:
+        lines.append(f"مساحت پوشش: {method.coverage_area}")
+    if method.soil_type:
+        lines.append(f"نوع خاک مناسب: {method.soil_type}")
+    if method.climate_suitability:
+        lines.append(f"اقلیم مناسب: {method.climate_suitability}")
+
+    return "\n".join(lines)