RAG: جاوب من مستنداتك

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

embedder = SentenceTransformer("BAAI/bge-m3")   # the stronger model from lesson 2

# Our store's knowledge base (in real life: chunks from PDFs, pages, docs)
chunks = [
    "الاسترجاع: تقدر ترجع أي منتج خلال 14 يوم من الاستلام بشرط يكون بحالته الأصلية.",
    "المنتجات اللي بتوصل مكسورة أو فيها عيب بنبدلها فوراً ومصاريف الشحن علينا، ابعت صورة على واتساب خلال 48 ساعة.",
    "الشحن للقاهرة والجيزة بياخد من يوم ليومين، وباقي المحافظات من 3 لـ 5 أيام.",
    "الشحن مجاني للطلبات فوق 1000 جنيه، وأقل من كده 50 جنيه.",
    "طرق الدفع: فيزا، كاش عند الاستلام، فودافون كاش، وإنستاباي.",
    "ساعات خدمة العملاء: من 9 الصبح لـ 11 بالليل كل الأيام ما عدا الجمعة.",
]
chunk_vectors = embedder.encode(chunks)          # step 2: done once, then stored

def retrieve(question, k=2):
    scores = cos_sim(embedder.encode(question), chunk_vectors)[0]
    top = scores.argsort(descending=True)[:k]    # step 3: k most similar chunks
    return [(chunks[i], scores[i].item()) for i in top]

for chunk, score in retrieve("المنتج وصلني مكسور أعمل إيه؟"):
    print(f"{score:.2f}  {chunk}")

from dotenv import load_dotenv
import anthropic
from rag_retrieve import retrieve     # the function from the previous file

load_dotenv()
client = anthropic.Anthropic()

def answer(question):
    context = "\n".join(f"<doc>{c}</doc>" for c, _ in retrieve(question, k=3))
    reply = client.messages.create(
        model="claude-sonnet-5",
        max_tokens=400,
        system=(
            "You are a customer service assistant for an Egyptian online store. "
            "Answer ONLY using the documents provided. If the answer is not in them, "
            "say you don't know and suggest contacting customer service. "
            "Reply in friendly Egyptian Arabic."
        ),
        messages=[{"role": "user",
                   "content": f"<documents>\n{context}\n</documents>\n\nQuestion: {question}"}],
    )
    return reply.content[0].text

print(answer("المنتج وصلني مكسور أعمل إيه؟"))
print(answer("عندكم فرع في دبي؟"))     # not in the docs -> should say it doesn't know

import chromadb

client = chromadb.PersistentClient(path="./store_db")    # saved on disk
collection = client.get_or_create_collection("help_center")

collection.add(
    ids=["refund", "damaged", "shipping"],
    documents=[
        "تقدر ترجع أي منتج خلال 14 يوم من الاستلام.",
        "المنتجات المكسورة بنبدلها فوراً ومصاريف الشحن علينا.",
        "الشحن للقاهرة والجيزة من يوم ليومين.",
    ],
)   # Chroma creates the embeddings for you by default

results = collection.query(query_texts=["الطلب وصل بايظ"], n_results=1)
print(results["documents"][0])