import gradio as gr
from huggingface_hub import InferenceClient

# Inicializa o cliente de inferência
client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")

# Define o prompt para avaliação de artigos conforme E.A.T
prompt = """
Imagine que você é um especialista sênior em SEO do Google, e seu trabalho é avaliar artigos de forma rigorosa, seguindo as diretrizes do Google E.A.T (Expertise, Autoridade, Confiabilidade). Sua avaliação deve ser crítica e criteriosa, observando cada detalhe do conteúdo apresentado.

Avalie o artigo com base nos seguintes aspectos, atribuindo uma **nota entre 1 a 10** (sendo 10 a nota máxima) para cada critério, e escrevendo as notas obrigatoriamente em **negrito**:

1. **Expertise**: O conteúdo é bem escrito e demonstra conhecimento profundo e especializado sobre o assunto?\n\nVerifique se o artigo inclui informações precisas, bem fundamentadas e atualizadas, evitando generalizações ou erros factuais.\n\n **Nota do tópico**:

2. **Autoridade**: O autor ou a fonte é reconhecida como uma autoridade no tópico discutido? O artigo menciona fontes confiáveis, citações ou referências que comprovem a credibilidade das informações fornecidas?\n\nConsidere se o autor é citado ou reconhecido em seu campo.\n\n **Nota do tópico**:

3. **Confiabilidade**: O conteúdo inspira confiança? Ele evita sensacionalismo, informações imprecisas ou exageradas?\n\nVerifique se o artigo apresenta evidências claras para sustentar as afirmações, mantendo um tom objetivo e equilibrado.\n\n **Nota do tópico**:

Após a análise, atribua uma **nota entre 1 e 10** para cada um dos três aspectos, justificando criticamente cada uma das notas com base em sua observação detalhada. **As notas atribuídas aos tópicos devem estar obrigatoriamente em negrito**. **Além disso, forneça uma nota final de qualidade geral, a nota geral não deve ser somada com as dos tópicos mencionados, a nota geral deve ter um resultado entre 1 e 10 de acordo com a qualidade do texto**.

Além disso, forneça um **resumo dos pontos que podem ser melhorados**, apontando áreas específicas onde o artigo pode ser otimizado, corrigido ou aprimorado para atender melhor às diretrizes de E.A.T.

**Sempre responda em português do Brasil!**
"""

system_message = "Olá, me chamo Lupita, desenvolvida por Site ON! Estou aqui para te ajudar a se enquadrar nas normas do Google E.A.T (Expertise, Autoridade, Confiabilidade)"

def respond(article_text, history, max_tokens, temperature, top_p, stop):
    messages = [{"role": "system", "content": system_message}]
    
    # Adiciona o histórico de conversas
    for user_msg, assistant_msg in history:
        if user_msg:
            messages.append({"role": "user", "content": user_msg})
        if assistant_msg:
            messages.append({"role": "assistant", "content": assistant_msg})

    # Adiciona a nova mensagem do usuário (o artigo a ser analisado)
    messages.append({"role": "user", "content": prompt + "\n\n" + article_text})

    response = ""

    # Gera a resposta (análise do artigo)
    for msg in client.chat_completion(
        messages,
        max_tokens=max_tokens,
        stream=True,
        temperature=temperature,
        top_p=top_p,
    ):
        token = msg.choices[0].delta.content
        response += token
        yield response

        # Verifica se o usuário pediu para parar a execução
        if stop:
            break

def clear_all():
    return "", [], 2048, 0.7, 0.95, True  # Para interromper a execução

# Configura a interface do Gradio
with gr.Blocks() as demo:
    #gr.Markdown("##Avaliação de Artigos segundo as Diretrizes de E.A.T")

    output_text = gr.Textbox(label="Análise do Artigo", lines=15, interactive=False)
    
    article_input = gr.Textbox(
        placeholder="Insira o texto do seu artigo aqui...",
        label="Artigo",
        lines=10,
        max_lines=20
    )

    max_tokens_input = gr.Slider(
        label="Max Tokens",
        minimum=1,
        maximum=4096,
        value=2048,
        step=1,
        visible=False
    )

    temperature_input = gr.Slider(
        label="Temperatura",
        minimum=0.0,
        maximum=1.0,
        value=0.1,
        step=0.1,
        visible=False
    )

    top_p_input = gr.Slider(
        label="Top P",
        minimum=0.0,
        maximum=1.0,
        value=0.95,
        step=0.01,
        visible=False
    )

    # Cria um layout de coluna para os botões
    with gr.Row():
        submit_btn = gr.Button("Enviar")
        stop_btn = gr.Button("Parar")
        clear_btn = gr.Button("Limpar Tudo")

    # Gr.State() deve ser passado como estado para armazenar o histórico
    history = gr.State([])
    stop = gr.State(False)

    submit_btn.click(
        respond,
        inputs=[article_input, history, max_tokens_input, temperature_input, top_p_input, stop],
        outputs=output_text
    )

    stop_btn.click(
        lambda: True,
        outputs=stop
    )

    clear_btn.click(
        clear_all,
        outputs=[article_input, output_text, max_tokens_input, temperature_input, top_p_input, stop]
    )

if __name__ == "__main__":
    demo.launch(share=True)