UPDATE

Modules/Ai/rag/user_data.py

@@ -0,0 +1,205 @@
+"""
+ساخت دیتای خاک و هواشناسی کاربر از farm_data، location_data و weather — Schema-agnostic
+هر سنسور = یک کاربر. شناسایی با farm_uuid.
+
+مدل‌های Django داخل توابع import می‌شوند تا از AppRegistryNotReady جلوگیری شود.
+"""
+from datetime import date
+
+from django.db.models import Model
+
+
+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:
+    """
+    استخراج فیلدهای داده از یک instance با استفاده از introspection.
+    تغییرات بعدی در مدل باعث شکستن نمی‌شود.
+    """
+    exclude = exclude or set()
+    out: dict = {}
+    for f in instance._meta.get_fields():
+        if f.many_to_many or f.one_to_many or f.one_to_one and f.auto_created:
+            continue
+        if f.name in exclude or f.name in EXCLUDE_FIELD_NAMES:
+            continue
+        if hasattr(f, "related_model") and f.related_model:
+            continue  # FK
+        try:
+            val = getattr(instance, f.name, None)
+            if val is not None:
+                out[f.name] = val
+        except Exception:
+            pass
+    return out
+
+
+def build_user_soil_text(sensor_uuid: str) -> str | None:
+    """
+    ساخت متن قابل embed برای یک سنسور (کاربر).
+    از SensorData → SoilLocation → latest remote sensing snapshots خوانده می‌شود.
+
+    Returns:
+        متن متنی قابل چانک، یا None اگر سنسور یافت نشد.
+    """
+    from farm_data.models import SensorData
+    from location_data.satellite_snapshot import build_location_block_satellite_snapshots
+
+    try:
+        sensor = SensorData.objects.select_related("center_location").get(
+            farm_uuid=sensor_uuid
+        )
+    except SensorData.DoesNotExist:
+        return None
+
+    parts: list[str] = []
+
+    # شناسه سنسور
+    parts.append(f"سنسور: {sensor.farm_uuid}")
+
+    # موقعیت مزرعه
+    loc = sensor.center_location
+    parts.append(
+        f"موقعیت مزرعه: عرض {loc.latitude}، طول {loc.longitude}"
+    )
+
+    # خوانش‌های سنسور (schema-agnostic)
+    sensor_fields = _model_to_data_fields(
+        sensor, exclude={"farm_uuid", "center_location_id", "center_location", "location"}
+    )
+    if sensor_fields:
+        sensor_lines = [f"  {k}: {v}" for k, v in sorted(sensor_fields.items())]
+        parts.append("خوانش‌های سنسور:\n" + "\n".join(sensor_lines))
+
+    snapshots = build_location_block_satellite_snapshots(loc)
+    if snapshots:
+        snapshot_lines = []
+        for snapshot in snapshots:
+            metrics = snapshot.get("resolved_metrics") or {}
+            if not metrics:
+                continue
+            lines = [f"    {k}: {v}" for k, v in sorted(metrics.items())]
+            snapshot_lines.append(
+                f"  بلوک {snapshot.get('block_code') or 'farm'}:\n" + "\n".join(lines)
+            )
+        if snapshot_lines:
+            parts.append("داده‌های ماهواره‌ای:\n" + "\n".join(snapshot_lines))
+
+    return "\n\n".join(parts) if len(parts) > 1 else None
+
+
+def get_all_sensor_uuids() -> list[str]:
+    """لیست همه farm_uuid های موجود."""
+    from farm_data.models import SensorData
+
+    return [
+        str(u) for u in
+        SensorData.objects.values_list("farm_uuid", flat=True).distinct()
+    ]
+
+
+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 farm_data.models import SensorData
+    from weather.models import WeatherForecast
+
+    try:
+        sensor = SensorData.objects.select_related("center_location").get(
+            farm_uuid=sensor_uuid
+        )
+    except SensorData.DoesNotExist:
+        return None
+
+    loc = sensor.center_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 (خاک + هواشناسی).
+    Returns: [(source_id, content), ...]
+    source_id = user:{uuid} یا weather:{uuid}
+    """
+    uuids = get_all_sensor_uuids()
+    sources: list[tuple[str, str]] = []
+    for uid in uuids:
+        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 snapshotهای `farm_data` برای استفاده در context LLM.
+    """
+    from farm_data.models import PlantCatalogSnapshot
+    from farm_data.services import build_plant_text_from_snapshot
+
+    plant = PlantCatalogSnapshot.objects.filter(name=plant_name).first()
+    if not plant:
+        return None
+
+    return build_plant_text_from_snapshot(plant, growth_stage)
+
+
+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)