UPDATE

2026-04-24 01:23:56 +03:30
parent 5acee1fa2c
commit 31f4bf5d38
16 changed files with 518 additions and 192 deletions
@@ -1,30 +1,5 @@
 """
-ماژول RAG — پایگاه دانش CropLogic
-فاز یک: Qdrant به‌عنوان vector store
+ماژول RAG — برای جلوگیری از AppRegistryNotReady این فایل import سنگین انجام نمی‌دهد.
 """

-from .chat import chat_rag_stream
-from .chunker import chunk_text, chunk_texts
-from .client import get_qdrant_client
-from .config import load_rag_config
-from .embedding import embed_single, embed_texts
-from .ingest import ingest, load_sources
-from .retrieve import search_with_query
-from .user_data import build_user_soil_text, load_user_sources
-from .vector_store import QdrantVectorStore
-
-__all__ = [
-    "chat_rag_stream",
-    "chunk_text",
-    "chunk_texts",
-    "embed_single",
-    "embed_texts",
-    "get_qdrant_client",
-    "ingest",
-    "load_rag_config",
-    "load_sources",
-    "load_user_sources",
-    "build_user_soil_text",
-    "QdrantVectorStore",
-    "search_with_query",
-]
+__all__: list[str] = []
@@ -1,7 +1,5 @@
 """
-Adapter Pattern برای API providers — سوئیچ بین GapGPT و Avalai
-تنظیمات فعلی: GapGPT به‌عنوان provider اصلی
-Avalai به‌عنوان fallback نگه داشته شده.
+Adapter Pattern برای API providers — سوئیچ بین GapGPT، Avalai و ArvanCloud AI.
 """
 import logging
 import os
@@ -20,22 +18,37 @@ def _mask_secret(value: str | None) -> str:
        return "****"
    return f"{value[:4]}...{value[-4:]}"

+
+def _get_env_or_value(env_var: str | None, direct_value: str | None) -> str | None:
+    if env_var:
+        return os.environ.get(env_var) or direct_value
+    return direct_value
+
+
 def get_embedding_client(config: RAGConfig | None = None) -> OpenAI:
    """
    ساخت کلاینت OpenAI برای Embedding بر اساس provider فعال.
-    provider از config.embedding.provider خوانده می‌شود: "gapgpt" یا "avalai"
+    provider از config.embedding.provider خوانده می‌شود.
    """
    cfg = config or load_rag_config()
    emb = cfg.embedding
-    logger.info("embedding provider=%s", emb.provider)
+    provider = emb.provider or "gapgpt"
+    logger.info("embedding provider=%s", provider)

-    if emb.provider == "avalai":
+    if provider == "avalai":
        env_var = emb.avalai_api_key_env or emb.api_key_env or "AVALAI_API_KEY"
-        api_key = os.environ.get(env_var)
+        api_key = _get_env_or_value(env_var, emb.avalai_api_key or emb.api_key)
        base_url = emb.avalai_base_url or emb.base_url or "https://api.avalai.ir/v1"
+    elif provider == "arvancloud":
+        env_var = emb.arvancloud_api_key_env or "ARVANCLOUD_EMBEDDING_API_KEY"
+        api_key = _get_env_or_value(env_var, emb.arvancloud_api_key)
+        base_url = (
+            emb.arvancloud_base_url
+            or "https://arvancloudai.ir/gateway/models/Bge-m3/rBA2PgcTC2sfhXwamupI4NvQ8crddUGTYXOsuKVye91PoNuGhbRgpHHNY8sMHBVQWWerZSAi4a0AijUL6YBqY9EW-Y1LhW_0ec6Mxr85GQy41lXiV6M8Od4mvLIeDF-wLRUHIervod0O5ZqGj2MOX8z1zdUpXkCrIS2uDjHlfHBZofledZjsOVDmFZU7IYfvkA__ljQqNeKXSFgpwUR7SmsbRUXGTDB2moLdeRq9zBpQIw/v1"
+        )
    else:
        env_var = emb.api_key_env or "GAPGPT_API_KEY"
-        api_key = os.environ.get(env_var)
+        api_key = _get_env_or_value(env_var, emb.api_key)
        base_url = emb.base_url or "https://api.gapgpt.app/v1"
    logger.info(
        "embedding base_url=%s api_key=%s",
@@ -1,13 +1,12 @@
 """
-چت RAG با استریم — استفاده از دیتای embed شده کاربر و Adapter API (GapGPT / Avalai)
+چت RAG برای API چت عمومی — استفاده مستقیم از داده مزرعه بدون retrieval/embedding.
 """
+import json
 import logging
 from pathlib import Path

-from .config import load_rag_config, RAGConfig, get_service_config, ServiceConfig
 from .api_provider import get_chat_client
-from .retrieve import search_with_query
-from .user_data import build_user_soil_text, build_user_weather_text
+from .config import RAGConfig, ServiceConfig, get_service_config, load_rag_config

 logger = logging.getLogger(__name__)

@@ -19,30 +18,12 @@ def _load_tone(config: RAGConfig | None) -> str:
    chat_kb = cfg.knowledge_bases.get("chat")
    if chat_kb:
        tone_path = base / chat_kb.tone_file
-        logger.debug("Loading default tone from path=%s", tone_path)
        if tone_path.exists():
-            logger.debug("Default tone file found: %s", tone_path)
            return tone_path.read_text(encoding="utf-8").strip()
        logger.warning("Default tone file not found: %s", tone_path)
    return ""


-def _load_kb_tone(kb_name: str, config: RAGConfig | None = None) -> str:
-    """بارگذاری فایل لحن مخصوص یک پایگاه دانش."""
-    cfg = config or load_rag_config()
-    kb_cfg = cfg.knowledge_bases.get(kb_name)
-    if not kb_cfg:
-        return ""
-    base = Path(__file__).resolve().parent.parent
-    tone_path = base / kb_cfg.tone_file
-    logger.debug("Loading kb tone for kb=%s path=%s", kb_name, tone_path)
-    if tone_path.exists():
-        logger.debug("KB tone file found for kb=%s", kb_name)
-        return tone_path.read_text(encoding="utf-8").strip()
-    logger.warning("KB tone file not found for kb=%s path=%s", kb_name, tone_path)
-    return ""
-
-
 def _load_service_tone(service: ServiceConfig, config: RAGConfig | None = None) -> str:
    cfg = config or load_rag_config()
    if service.tone_file:
@@ -50,21 +31,84 @@ def _load_service_tone(service: ServiceConfig, config: RAGConfig | None = None)
        tone_path = base / service.tone_file
        if tone_path.exists():
            return tone_path.read_text(encoding="utf-8").strip()
-    return _load_kb_tone(service.knowledge_base, cfg)
+        logger.warning("Service tone file not found: %s", tone_path)
+    return _load_tone(cfg)


-def _detect_kb_intent(query: str) -> str:
-    """تشخیص ساده نوع پایگاه دانش مورد نیاز از روی متن سوال."""
-    q = query.lower()
-    irrigation_keywords = {"آبیاری", "آب", "رطوبت", "irrigation", "water", "et0", "بارش", "خشکی"}
-    fertilization_keywords = {"کود", "کودهی", "fertiliz", "npk", "ازت", "فسفر", "پتاسیم", "nitrogen", "phosphorus", "potassium"}
-    if any(kw in q for kw in irrigation_keywords):
-        return "irrigation"
-    if any(kw in q for kw in fertilization_keywords):
-        logger.info("Detected KB intent=fertilization")
-        return "fertilization"
-    logger.info("Detected KB intent=chat")
-    return "chat"
+def _format_farm_context(farm_uuid: str) -> str:
+    from farm_data.services import get_farm_details
+
+    farm_details = get_farm_details(farm_uuid)
+    if not farm_details:
+        raise ValueError("farm_uuid نامعتبر است یا اطلاعات مزرعه پیدا نشد.")
+
+    serialized = json.dumps(
+        farm_details,
+        ensure_ascii=False,
+        indent=2,
+        default=str,
+    )
+    return "[اطلاعات کامل مزرعه]\n" + serialized
+
+
+def _format_farm_context_from_details(farm_details: dict) -> str:
+    serialized = json.dumps(
+        farm_details,
+        ensure_ascii=False,
+        indent=2,
+        default=str,
+    )
+    return "[اطلاعات کامل مزرعه]\n" + serialized
+
+
+def _build_system_prompt(
+    service: ServiceConfig,
+    query: str,
+    farm_context: str,
+    config: RAGConfig | None = None,
+) -> str:
+    tone = _load_service_tone(service, config)
+    system_parts = [tone] if tone else []
+    if service.system_prompt:
+        system_parts.append(service.system_prompt)
+    system_parts.append(
+        "با استفاده از اطلاعات کامل مزرعه که در ادامه آمده به سوال کاربر پاسخ بده. "
+        "اگر داده‌ای در اطلاعات مزرعه وجود دارد، همان را مبنای پاسخ قرار بده و چیزی حدس نزن. "
+        "اگر داده کافی نبود، این کمبود را شفاف بگو. "
+        "پاسخ را به زبان کاربر بنویس."
+    )
+    system_parts.append(farm_context)
+    system_parts.append(f"[سوال کاربر]\n{query}")
+    return "\n\n".join(part for part in system_parts if part)
+
+
+def _create_audit_log(
+    farm_uuid: str,
+    service_id: str,
+    model: str,
+    query: str,
+    system_prompt: str,
+    messages: list[dict],
+) -> "ChatAuditLog":
+    from .models import ChatAuditLog
+
+    log = ChatAuditLog.objects.create(
+        farm_uuid=farm_uuid,
+        service_id=service_id,
+        model=model,
+        user_query=query,
+        system_prompt=system_prompt,
+        messages=messages,
+        status=ChatAuditLog.STATUS_STARTED,
+    )
+    logger.info(
+        "Created chat audit log id=%s service_id=%s farm_uuid=%s model=%s",
+        log.id,
+        service_id,
+        farm_uuid,
+        model,
+    )
+    return log


 def build_rag_context(
@@ -76,9 +120,12 @@ def build_rag_context(
    service_id: str | None = None,
 ) -> str:
    """
-    ساخت context برای LLM: دیتای فعلی خاک کاربر + متن‌های مرتبط از RAG.
-    دیتای کاربر همیشه اول می‌آید تا LLM مقادیر واقعی (مثل pH) را ببیند.
+    ساخت context برای سرویس‌های توصیه با استفاده از RAG قدیمی.
+    این تابع برای سازگاری با irrigation/fertilization حفظ شده است.
    """
+    from .retrieve import search_with_query
+    from .user_data import build_user_soil_text, build_user_weather_text
+
    logger.info(
        "Building RAG context sensor_uuid=%s kb_name=%s limit=%s query_len=%s",
        sensor_uuid,
@@ -96,16 +143,10 @@ def build_rag_context(
        user_soil = build_user_soil_text(sensor_uuid)
        if user_soil and user_soil.strip():
            parts.append("[داده‌های فعلی خاک شما]\n" + user_soil.strip())
-            logger.debug("Included user soil section sensor_uuid=%s", sensor_uuid)
-        else:
-            logger.info("No user soil data found sensor_uuid=%s", sensor_uuid)

        weather_text = build_user_weather_text(sensor_uuid)
        if weather_text and weather_text.strip():
            parts.append("[پیش‌بینی هواشناسی]\n" + weather_text.strip())
-            logger.debug("Included weather section sensor_uuid=%s", sensor_uuid)
-        else:
-            logger.info("No weather data found sensor_uuid=%s", sensor_uuid)

    results = search_with_query(
        query,
@@ -117,50 +158,35 @@ def build_rag_context(
        use_user_embeddings=include_user_embeddings,
    )
    if results:
-        logger.info("Retrieved RAG results count=%s sensor_uuid=%s", len(results), sensor_uuid)
        rag_texts = [r.get("text", "").strip() for r in results if r.get("text")]
        if rag_texts:
            parts.append("[متن‌های مرجع]\n" + "\n\n---\n\n".join(rag_texts))
-            logger.debug("Included RAG reference texts count=%s", len(rag_texts))
-    else:
-        logger.info("No RAG results found sensor_uuid=%s kb_name=%s", sensor_uuid, kb_name)

    return "\n\n---\n\n".join(parts) if parts else ""


 def chat_rag_stream(
    query: str,
-    sensor_uuid: str | None = None,
+    farm_uuid: str,
    config: RAGConfig | None = None,
-    limit: int = 5,
    system_override: str | None = None,
-    kb_name: str | None = None,
-    service_id: str | None = None,
+    farm_details: dict | None = None,
 ):
-    logger.info(
-        "chat_rag_stream started sensor_uuid=%s kb_name=%s limit=%s query_len=%s",
-        sensor_uuid,
-        kb_name,
-        limit,
-        len(query or ""),
-    )
    """
-    چت RAG با استریم: دیتای embed شده را بازیابی می‌کند و با LLM جواب می‌دهد.
-    فقط دیتای همان کاربر (sensor_uuid) قابل دسترسی است.
+    چت استریمی با سرویس ثابت `chat` و context مستقیم مزرعه.

    Args:
        query: پیام کاربر
-        sensor_uuid: شناسه سنسور کاربر — اجباری
+        farm_uuid: شناسه مزرعه
        config: تنظیمات RAG
-        limit: تعداد چانک‌های بازیابی‌شده
        system_override: جایگزین system prompt (اختیاری)

    Yields:
-        تک‌تک deltaهای content به‌صورت رشته
+        chunk های استریم پاسخ مدل
    """
    cfg = config or load_rag_config()
-    resolved_service_id = service_id or kb_name or _detect_kb_intent(query)
-    service = get_service_config(resolved_service_id, cfg)
+    service_id = "chat"
+    service = get_service_config(service_id, cfg)
    service_llm_config = service.llm
    service_cfg = RAGConfig(
        embedding=cfg.embedding,
@@ -173,56 +199,97 @@ def chat_rag_stream(
    )
    client = get_chat_client(service_cfg)
    model = service_llm_config.model
-    logger.debug("Loaded service config service_id=%s model=%s", resolved_service_id, model)

-    detected_kb = kb_name or service.knowledge_base
-    logger.info("Using knowledge base=%s for service_id=%s", detected_kb, resolved_service_id)
-    context = build_rag_context(
-        query,
-        sensor_uuid,
-        config=cfg,
-        limit=limit,
-        kb_name=detected_kb,
-        service_id=resolved_service_id,
+    logger.info(
+        "chat_rag_stream started service_id=%s farm_uuid=%s query_len=%s",
+        service_id,
+        farm_uuid,
+        len(query or ""),
+    )
+
+    if farm_details is None:
+        farm_context = _format_farm_context(farm_uuid)
+    else:
+        farm_context = _format_farm_context_from_details(farm_details)
+    logger.info(
+        "Loaded farm context for farm_uuid=%s context_len=%s",
+        farm_uuid,
+        len(farm_context),
    )
-    logger.debug("Built context length=%s", len(context))

    if system_override is not None:
-        system_content = system_override
+        system_prompt = system_override
    else:
-        tone = _load_service_tone(service, cfg)
-        if not tone:
-            tone = _load_tone(cfg)
-        system_parts = [tone] if tone else []
-        if service.system_prompt:
-            system_parts.append(service.system_prompt)
-        system_parts.append(
-            "با استفاده از بخش «داده‌های فعلی خاک شما» و «متن‌های مرجع» زیر به سوال کاربر پاسخ بده. "
-            "برای سوالاتی درباره خاک کاربر (مثل pH، رطوبت، NPK) حتماً از داده‌های فعلی استفاده کن. "
-            "اطلاعات هواشناسی در بخش «پیش‌بینی هواشناسی» آمده. "
-            "پاسخ را به زبان کاربر بنویس."
-        )
-        if context:
-            system_parts.append("\n\n" + context)
-        system_content = "\n".join(system_parts)
+        system_prompt = _build_system_prompt(service, query, farm_context, cfg)

    messages = [
-        {"role": "system", "content": system_content},
+        {"role": "system", "content": system_prompt},
        {"role": "user", "content": query},
    ]
-    logger.info("Prepared messages for model=%s service_id=%s", model, resolved_service_id)

-    stream = client.chat.completions.create(
-        model=model,
-        messages=messages,
-        stream=True,
+    logger.info(
+        "Final prompt prepared service_id=%s farm_uuid=%s model=%s messages_count=%s",
+        service_id,
+        farm_uuid,
+        model,
+        len(messages),
    )
-    logger.info("Started streaming response from model=%s", model)
+    logger.info("Final system prompt for farm_uuid=%s:\n%s", farm_uuid, system_prompt)

-    for chunk in stream:
-        delta = chunk.choices[0].delta if chunk.choices else None
-        content = delta.content if delta else ""
-        if content:
-            logger.debug("Streaming chunk len=%s", len(content))
-            yield content
-    logger.info("chat_rag_stream completed sensor_uuid=%s", sensor_uuid)
+    audit_log = _create_audit_log(
+        farm_uuid=farm_uuid,
+        service_id=service_id,
+        model=model,
+        query=query,
+        system_prompt=system_prompt,
+        messages=messages,
+    )
+
+    response_chunks: list[str] = []
+    try:
+        stream = client.chat.completions.create(
+            model=model,
+            messages=messages,
+            stream=True,
+        )
+        logger.info(
+            "Started streaming response id=%s service_id=%s farm_uuid=%s",
+            audit_log.id,
+            service_id,
+            farm_uuid,
+        )
+
+        for chunk in stream:
+            delta = chunk.choices[0].delta if chunk.choices else None
+            content = delta.content if delta else ""
+            if content:
+                response_chunks.append(content)
+                yield content
+
+        full_response = "".join(response_chunks)
+        audit_log.response_text = full_response
+        audit_log.status = ChatAuditLog.STATUS_COMPLETED
+        audit_log.save(update_fields=["response_text", "status", "updated_at"])
+        logger.info(
+            "Completed chat response id=%s farm_uuid=%s response_len=%s response=\n%s",
+            audit_log.id,
+            farm_uuid,
+            len(full_response),
+            full_response,
+        )
+    except Exception as exc:
+        partial_response = "".join(response_chunks)
+        audit_log.response_text = partial_response
+        audit_log.error_message = str(exc)
+        audit_log.status = ChatAuditLog.STATUS_FAILED
+        audit_log.save(
+            update_fields=["response_text", "error_message", "status", "updated_at"]
+        )
+        logger.exception(
+            "Chat request failed id=%s service_id=%s farm_uuid=%s partial_response_len=%s",
+            audit_log.id,
+            service_id,
+            farm_uuid,
+            len(partial_response),
+        )
+        raise
@@ -15,10 +15,15 @@ class EmbeddingConfig:
    provider: str
    model: str
    batch_size: int = 32
+    api_key: str | None = None
    api_key_env: str | None = None
    base_url: str | None = None
+    avalai_api_key: str | None = None
    avalai_base_url: str | None = None
    avalai_api_key_env: str | None = None
+    arvancloud_api_key: str | None = None
+    arvancloud_base_url: str | None = None
+    arvancloud_api_key_env: str | None = None


@dataclass
@@ -116,10 +121,15 @@ def load_rag_config(config_path: str | Path | None = None) -> RAGConfig:
        provider=emb.get("provider", "sentence_transformers"),
        model=emb.get("model", "text-embedding-3-small"),
        batch_size=emb.get("batch_size", 32),
+        api_key=emb.get("api_key"),
        api_key_env=emb.get("api_key_env"),
        base_url=emb.get("base_url"),
+        avalai_api_key=emb.get("avalai_api_key"),
        avalai_base_url=emb.get("avalai_base_url"),
        avalai_api_key_env=emb.get("avalai_api_key_env"),
+        arvancloud_api_key=emb.get("arvancloud_api_key"),
+        arvancloud_base_url=emb.get("arvancloud_base_url"),
+        arvancloud_api_key_env=emb.get("arvancloud_api_key_env"),
    )

    qd = data.get("qdrant", {})
@@ -3,7 +3,9 @@
 """
 from .api_provider import get_embedding_client
 from .config import RAGConfig, load_rag_config
+import logging

+logger = logging.getLogger(__name__)

 def embed_texts(
    texts: list[str],
@@ -29,6 +31,7 @@ def embed_texts(
    cfg = config or load_rag_config()
    client = get_embedding_client(cfg)
    model_name = model or cfg.embedding.model
+    logger.info(model_name)
    batch_size = cfg.embedding.batch_size

    all_embeddings: list[list[float]] = []
@@ -0,0 +1,33 @@
+from django.db import migrations, models
+
+
+class Migration(migrations.Migration):
+    initial = True
+
+    dependencies = []
+
+    operations = [
+        migrations.CreateModel(
+            name="ChatAuditLog",
+            fields=[
+                ("id", models.BigAutoField(auto_created=True, primary_key=True, serialize=False, verbose_name="ID")),
+                ("farm_uuid", models.UUIDField(blank=True, help_text="شناسه مزرعه مرتبط با درخواست چت", null=True)),
+                ("service_id", models.CharField(default="chat", help_text="شناسه سرویس RAG استفاده شده برای این درخواست", max_length=64)),
+                ("model", models.CharField(blank=True, help_text="مدل LLM استفاده شده برای پاسخ", max_length=128)),
+                ("user_query", models.TextField(help_text="متن پرسش کاربر")),
+                ("system_prompt", models.TextField(blank=True, help_text="system prompt نهایی ارسال شده به مدل")),
+                ("messages", models.JSONField(blank=True, default=list, help_text="لیست کامل پیام‌های ارسال شده به مدل")),
+                ("response_text", models.TextField(blank=True, help_text="متن کامل پاسخ دریافتی از مدل")),
+                ("error_message", models.TextField(blank=True, help_text="خطای رخ داده هنگام فراخوانی مدل یا استریم")),
+                ("status", models.CharField(choices=[("started", "شروع شده"), ("completed", "تکمیل شده"), ("failed", "ناموفق")], default="started", max_length=16)),
+                ("created_at", models.DateTimeField(auto_now_add=True)),
+                ("updated_at", models.DateTimeField(auto_now=True)),
+            ],
+            options={
+                "db_table": "rag_chatauditlog",
+                "ordering": ["-created_at"],
+                "verbose_name": "لاگ چت RAG",
+                "verbose_name_plural": "لاگ\u200cهای چت RAG",
+            },
+        ),
+    ]
@@ -0,0 +1 @@
+
@@ -0,0 +1,62 @@
+from django.db import models
+
+
+class ChatAuditLog(models.Model):
+    STATUS_STARTED = "started"
+    STATUS_COMPLETED = "completed"
+    STATUS_FAILED = "failed"
+    STATUS_CHOICES = [
+        (STATUS_STARTED, "شروع شده"),
+        (STATUS_COMPLETED, "تکمیل شده"),
+        (STATUS_FAILED, "ناموفق"),
+    ]
+
+    farm_uuid = models.UUIDField(
+        null=True,
+        blank=True,
+        help_text="شناسه مزرعه مرتبط با درخواست چت",
+    )
+    service_id = models.CharField(
+        max_length=64,
+        default="chat",
+        help_text="شناسه سرویس RAG استفاده شده برای این درخواست",
+    )
+    model = models.CharField(
+        max_length=128,
+        blank=True,
+        help_text="مدل LLM استفاده شده برای پاسخ",
+    )
+    user_query = models.TextField(help_text="متن پرسش کاربر")
+    system_prompt = models.TextField(
+        blank=True,
+        help_text="system prompt نهایی ارسال شده به مدل",
+    )
+    messages = models.JSONField(
+        default=list,
+        blank=True,
+        help_text="لیست کامل پیام‌های ارسال شده به مدل",
+    )
+    response_text = models.TextField(
+        blank=True,
+        help_text="متن کامل پاسخ دریافتی از مدل",
+    )
+    error_message = models.TextField(
+        blank=True,
+        help_text="خطای رخ داده هنگام فراخوانی مدل یا استریم",
+    )
+    status = models.CharField(
+        max_length=16,
+        choices=STATUS_CHOICES,
+        default=STATUS_STARTED,
+    )
+    created_at = models.DateTimeField(auto_now_add=True)
+    updated_at = models.DateTimeField(auto_now=True)
+
+    class Meta:
+        db_table = "rag_chatauditlog"
+        ordering = ["-created_at"]
+        verbose_name = "لاگ چت RAG"
+        verbose_name_plural = "لاگ‌های چت RAG"
+
+    def __str__(self):
+        return f"{self.service_id} - {self.farm_uuid or 'no-farm'} - {self.status}"
@@ -102,7 +102,7 @@ class QdrantVectorStore:
    ) -> list[dict]:
        """
        جستجوی شباهت بر اساس query vector.
-        از query_points استفاده می‌کند (qdrant-client >= 2.0).
+        روی نسخه‌های جدید از query_points و روی نسخه‌های قدیمی‌تر از search استفاده می‌کند.
        sensor_uuid: اجباری — فقط chunks مربوط به این سنسور یا __global__ برگردانده می‌شود.
        kb_name: اختیاری — فیلتر بر اساس پایگاه دانش (chat/irrigation/fertilization).
                 اگر مشخص شود، فقط chunks همان KB و __all__ برگردانده می‌شود.
@@ -141,14 +141,23 @@ class QdrantVectorStore:
        if must_conditions:
            query_filter = qmodels.Filter(must=must_conditions)

-        response = self.client.query_points(
-            collection_name=self.qdrant.collection_name,
-            query=query_vector,
-            limit=limit,
-            score_threshold=score_threshold,
-            query_filter=query_filter,
-        )
-        points = getattr(response, "points", []) or []
+        if hasattr(self.client, "query_points"):
+            response = self.client.query_points(
+                collection_name=self.qdrant.collection_name,
+                query=query_vector,
+                limit=limit,
+                score_threshold=score_threshold,
+                query_filter=query_filter,
+            )
+            points = getattr(response, "points", []) or []
+        else:
+            points = self.client.search(
+                collection_name=self.qdrant.collection_name,
+                query_vector=query_vector,
+                limit=limit,
+                score_threshold=score_threshold,
+                query_filter=query_filter,
+            )

        return [
            {
@@ -59,8 +59,8 @@ RagValidationErrorResponseSerializer = build_envelope_serializer(
 class ChatView(APIView):
    """
    چت RAG با استریم.
-    POST با {"service_id": "...", "query": "متن سوال", "user_id": "شناسه کاربر"}
-    service_id اجباری است. user_id فقط برای سرویس‌هایی که user embeddings دارند اجباری می‌شود.
+    POST با {"query": "متن سوال", "farm_uuid": "شناسه مزرعه"}.
+    همیشه از سرویس ثابت `chat` استفاده می‌کند و اطلاعات مزرعه را مستقیم به مدل می‌فرستد.
    """

    @extend_schema(
@@ -70,11 +70,9 @@ class ChatView(APIView):
        request=inline_serializer(
            name="ChatRequest",
            fields={
-                "service_id": drf_serializers.CharField(help_text="شناسه سرویس"),
                "query": drf_serializers.CharField(required=False, help_text="متن سوال کاربر"),
                "message": drf_serializers.CharField(required=False, help_text="نام قبلی فیلد query"),
-                "user_id": drf_serializers.CharField(required=False, help_text="شناسه کاربر"),
-                "sensor_uuid": drf_serializers.CharField(required=False, help_text="نام قبلی فیلد user_id"),
+                "farm_uuid": drf_serializers.CharField(help_text="شناسه مزرعه"),
            },
        ),
        responses={
@@ -86,26 +84,29 @@ class ChatView(APIView):
                RagChatErrorResponseSerializer,
                "پارامترهای ورودی نامعتبر هستند.",
            ),
+            404: build_response(
+                RagChatErrorResponseSerializer,
+                "مزرعه پیدا نشد.",
+            ),
        },
        examples=[
            OpenApiExample(
                "نمونه درخواست",
                value={
-                    "service_id": "support_bot",
-                    "user_id": "12345",
-                    "query": "How do I reset my password?",
+                    "farm_uuid": "550e8400-e29b-41d4-a716-446655440000",
+                    "query": "وضعیت مزرعه من چطور است؟",
                },
                request_only=True,
            ),
        ],
    )
    def post(self, request: Request):
-        from .config import load_rag_config, get_service_config
+        from farm_data.services import get_farm_details
+        from .config import load_rag_config

        data = request.data if request.method == "POST" else request.query_params
-        service_id = data.get("service_id")
        message = data.get("query", data.get("message"))
-        user_id = data.get("user_id", data.get("sensor_uuid"))
+        farm_uuid = data.get("farm_uuid")
        if not message or not isinstance(message, str):
            return Response(
                {"code": 400, "msg": "پارامتر query الزامی است."},
@@ -117,42 +118,32 @@ class ChatView(APIView):
                {"code": 400, "msg": "پیام نباید خالی باشد."},
                status=status.HTTP_400_BAD_REQUEST,
            )
-        if not service_id or not isinstance(service_id, str):
+        if not farm_uuid or not isinstance(farm_uuid, str):
            return Response(
-                {"code": 400, "msg": "پارامتر service_id الزامی است."},
+                {"code": 400, "msg": "پارامتر farm_uuid الزامی است."},
                status=status.HTTP_400_BAD_REQUEST,
            )
-        service_id = str(service_id).strip()
-        if not service_id:
+        farm_uuid = str(farm_uuid).strip()
+        if not farm_uuid:
            return Response(
-                {"code": 400, "msg": "service_id نباید خالی باشد."},
+                {"code": 400, "msg": "farm_uuid نباید خالی باشد."},
                status=status.HTTP_400_BAD_REQUEST,
            )
        cfg = load_rag_config()
-        try:
-            service = get_service_config(service_id, cfg)
-        except KeyError:
+        farm_details = get_farm_details(farm_uuid)
+        if farm_details is None:
            return Response(
-                {"code": 400, "msg": f"service_id نامعتبر است: {service_id}"},
-                status=status.HTTP_400_BAD_REQUEST,
-            )
-        if user_id is not None:
-            user_id = str(user_id).strip()
-            if not user_id:
-                user_id = None
-        if service.use_user_embeddings and not user_id:
-            return Response(
-                {"code": 400, "msg": "برای این service_id، پارامتر user_id الزامی است."},
-                status=status.HTTP_400_BAD_REQUEST,
+                {"code": 404, "msg": "farm پیدا نشد."},
+                status=status.HTTP_404_NOT_FOUND,
            )

        def generate():
            try:
                for chunk in chat_rag_stream(
                    message,
-                    sensor_uuid=user_id,
-                    service_id=service_id,
+                    farm_uuid=farm_uuid,
                    config=cfg,
+                    farm_details=farm_details,
                ):
                    yield chunk
            except Exception as e: