File size: 38,616 Bytes
17f77b4 8a762e0 17f77b4 6e1619d 17f77b4 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 |
# type: ignore
"""
================================================================================
AKIRA V21 ULTIMATE - CONTEXTO MODULE
================================================================================
Gerenciador de contexto de conversa com NLP avançado, análise emocional,
aprendizado dinâmico de gírias e adaptação de tom por usuário.
Features:
- Análise de intenção e normalização de texto
- Detecção de emoções com fallback heurístico
- Aprendizado de gírias regionais (Angola)
- Histórico de conversa persistente
- Tom adaptativo por usuário
- Integração com EmotionAnalyzer do config
- Sistema de embeddings para similaridade
- Cache inteligente
- Logging detalhado
================================================================================
"""
import logging
import re
import random
import time
import sqlite3
import json
from typing import Optional, List, Dict, Tuple, Any, Union
from datetime import datetime
# Imports robustos com fallback - CORRIGIDO
try:
from . import config
from .database import Database
from .treinamento import Treinamento
CONTEXTO_AVAILABLE = True
except ImportError as e:
CONTEXTO_AVAILABLE = False
try:
import config
from database import Database
from treinamento import Treinamento
except ImportError:
import sys
sys.path.insert(0, '/home/elliot_pro/Programação/akira')
import modules.config as config
from modules.database import Database
try:
from modules.treinamento import Treinamento
except ImportError:
Treinamento = None
Database = None
# Imports opcionais com fallbacks
try:
from sentence_transformers import SentenceTransformer # type: ignore
SENTENCE_TRANSFORMER_AVAILABLE = True
except Exception as e:
logging.warning(f"sentence_transformers não disponível: {e}")
SentenceTransformer = None # type: ignore
SENTENCE_TRANSFORMER_AVAILABLE = False
try:
import psutil # type: ignore
PSUTIL_AVAILABLE = True
except Exception:
psutil = None # type: ignore
PSUTIL_AVAILABLE = False
try:
import structlog # type: ignore
STRUCTLOG_AVAILABLE = True
except Exception:
structlog = None # type: ignore
STRUCTLOG_AVAILABLE = False
logger = logging.getLogger(__name__)
# Configuração do logging
logging.basicConfig(level=logging.INFO, format='%(asctime)s [%(levelname)s] %(message)s')
# Suprimir warning "Invalid model-index" do huggingface_hub (metadata inválida no model card)
class _HuggingFaceFilter(logging.Filter):
def filter(self, record: logging.LogRecord) -> bool:
return "Invalid model-index" not in record.getMessage()
logging.getLogger("huggingface_hub").addFilter(_HuggingFaceFilter())
if STRUCTLOG_AVAILABLE and structlog:
structlog.configure(
processors=[
structlog.processors.TimeStamper(fmt="iso"),
structlog.stdlib.add_log_level,
structlog.processors.JSONRenderer()
],
context_class=dict,
logger_factory=structlog.stdlib.LoggerFactory(),
wrapper_class=structlog.stdlib.BoundLogger,
)
# Palavras para análise de sentimento heurística (fallback)
PALAVRAS_POSITIVAS = [
'bom', 'ótimo', 'incrível', 'feliz', 'adorei', 'top', 'fixe', 'bué',
'show', 'legal', 'bacana', 'excelente', 'maravilhoso', 'perfeito'
]
PALAVRAS_NEGATIVAS = [
'ruim', 'péssimo', 'triste', 'ódio', 'raiva', 'chateado', 'merda',
'porra', 'odeio', 'horrível', 'terrible', 'p不佳'
]
# Cache global para emotion analyzer
_emotion_analyzer: Any = None
def _get_emotion_analyzer() -> Any:
"""Obtém instância do EmotionAnalyzer do config.py."""
global _emotion_analyzer
if _emotion_analyzer is None:
try:
analyzer = config.get_emotion_analyzer()
# Verifica se o analyzer existe
if analyzer is not None:
_emotion_analyzer = analyzer
else:
_emotion_analyzer = None
except Exception as e:
logger.warning(f"EmotionAnalyzer não disponível: {e}")
_emotion_analyzer = None
return _emotion_analyzer
class Contexto:
"""
Classe para gerenciar o contexto da conversa, análise de intenções e
aprendizado dinâmico de termos regionais/gírias para cada usuário.
Attributes:
db: Instância do banco de dados
usuario: Identificador do usuário
model: Modelo SentenceTransformer (carregado sob demanda)
embeddings: Cache de embeddings
emocao_atual: Emoção atual do usuário
espirito_critico: Modo de espírito crítico ativado
base_conhecimento: Base de conhecimento persistente
termo_contexto: Dicionário de termos/gírias aprendidos
cache_girias: Cache de gírias por usuário
primeira_mensagem: Flag para detectar primeira interação
tom_anterior: Tom da última mensagem para transição lenta
contagem_mensagens_tom: Contador para transição gradual
"""
def __init__(self, db: Optional[Database] = None, usuario: Optional[str] = None, conversation_id: Optional[str] = None):
"""
Inicializa o contexto de conversa.
Args:
db: Instância do banco de dados Database
usuario: Identificador do usuário (número de telefone ou nome)
conversation_id: ID único da conversa para isolamento (opcional)
"""
self.db = db
self.usuario: Optional[str] = usuario
self.conversation_id: Optional[str] = conversation_id
self.model: Optional[Any] = None
self.embeddings: Optional[Dict[str, Any]] = None
self._treinador: Optional[Treinamento] = None
# Estado de conversa
self.emocao_atual: str = "neutro"
self.espirito_critico: bool = False
self.base_conhecimento: Dict[str, Any] = {}
# Garante que termo_contexto seja sempre um dicionário
self.termo_contexto: Dict[str, Dict[str, Any]] = {}
self.cache_girias: Dict[str, Any] = {}
# Novas flags para primeira mensagem e transição lenta de tom
self.primeira_mensagem: bool = True
self.tom_anterior: str = "neutro"
self.contagem_mensagens_tom: int = 0
self.tom_atual: str = "neutro"
# Carrega aprendizados do banco
self.atualizar_aprendizados_do_banco()
logger.info(f"🟢 Contexto inicializado para usuário: {usuario}")
# Carrega modelo sob demanda
self._load_model()
def atualizar_aprendizados_do_banco(self):
"""Carrega todos os dados de aprendizado persistentes do banco."""
try:
if self.usuario and self.db is not None:
termos_aprendidos = self.db.recuperar_girias_usuario(self.usuario)
self.termo_contexto = {
termo['giria']: {
"significado": termo['significado'],
"frequencia": termo['frequencia']
}
for termo in termos_aprendidos
}
else:
self.termo_contexto = {}
except Exception as e:
logger.warning(f"Falha ao carregar termos/gírias do DB: {e}")
self.termo_contexto = {}
try:
if self.usuario and self.db is not None:
emocao_salva = self.db.recuperar_aprendizado_detalhado(self.usuario, "emocao_atual")
if emocao_salva:
# Tenta parsear como JSON primeiro
try:
if isinstance(emocao_salva, str):
emocao_dict = json.loads(emocao_salva)
else:
emocao_dict = emocao_salva
if isinstance(emocao_dict, dict) and 'emocao' in emocao_dict:
self.emocao_atual = emocao_dict['emocao']
elif isinstance(emocao_salva, str):
self.emocao_atual = emocao_salva
except (json.JSONDecodeError, TypeError):
# Se não for JSON válido, usa como string direta
if isinstance(emocao_salva, str):
self.emocao_atual = emocao_salva
except Exception as e:
logger.warning(f"Falha ao carregar emoção do DB: {e}")
@property
def ton_predominante(self) -> Optional[str]:
"""
Retorna o tom predominante do usuário, acessando o DB.
Returns:
Tom predominante ou None se não disponível
"""
if self.usuario and self.db is not None:
return self.db.obter_tom_predominante(self.usuario)
return None
def get_or_create_treinador(self, interval_hours: int = 24) -> Treinamento:
"""Retorna um entrenador associado a este contexto."""
if self._treinador is None:
db_param: Database = self.db if self.db is not None else Database()
self._treinador = Treinamento(db_param, contexto=self, interval_hours=interval_hours)
return self._treinador
def _load_model(self):
"""Carrega o modelo SentenceTransformer e embeddings sob demanda."""
if self.model is not None:
return
if not SENTENCE_TRANSFORMER_AVAILABLE:
logger.warning("SentenceTransformer não disponível")
return
start_time = time.time()
try:
self.model = config.get_embedding_model_instance('all-MiniLM-L6-v2')
if self.model:
logger.info("Modelo SentenceTransformer (all-MiniLM-L6-v2) carregado com sucesso via config")
else:
logger.error("Falha ao carregar modelo de contexto via config")
except Exception as e:
logger.error(f"Erro ao carregar modelo em contexto: {e}")
self.model = None
self._check_embeddings()
duration = time.time() - start_time
logger.info(f"Modelo carregado em {duration:.2f}s")
def _check_embeddings(self):
"""Verifica ou cria embeddings no banco de dados."""
if self.model and not self.embeddings:
try:
self.embeddings = {"conhecimento_base": "placeholder_embedding_data"}
except Exception as e:
logger.warning(f"Não foi possível carregar embeddings: {e}")
def analisar_emocoes_mensagem(self, mensagem: str) -> Dict[str, Any]:
"""
Analisa o sentimento e emoção da mensagem usando modelos pesados (mDeBERTa/BERTimbau).
Args:
mensagem: Texto da mensagem para análise
Returns:
Dicionário com análise emocional completa
"""
resultado = {
"emocao": "neutro",
"confianca": 0.0,
"nivel_analise": "desconhecido",
"nuance_nativa": {}
}
try:
# 1. Tenta usar o EmotionAnalyzer (mDeBERTa-v3 - PESADO)
from .config import get_emotion_analyzer, get_nlp_analyzer
analyzer = get_emotion_analyzer()
analise_hf = analyzer.analisar(mensagem)
if analise_hf and analise_hf.get('nivel_analise') != "heuristica":
resultado.update(analise_hf)
logger.debug(f"🧠 Análise mDeBERTa concluída: {resultado['emocao']}")
# 2. Tenta usar o NLPAnalyzer (BERTimbau - NATIVO) para nuances
nlp_analyzer = get_nlp_analyzer()
nuances = nlp_analyzer.extrair_nuance_nativa(mensagem)
resultado["nuance_nativa"] = nuances
if resultado["emocao"] != "neutro":
# Atualiza o estado interno
self.emocao_atual = resultado["emocao"]
return resultado
except Exception as e:
logger.warning(f"⚠️ Erro em modelos pesados, usando heurística: {e}")
# 3. Fallback: Análise Heurística (Último caso)
mensagem_lower = mensagem.strip().lower()
pos_count = sum(mensagem_lower.count(w) for w in PALAVRAS_POSITIVAS)
neg_count = sum(mensagem_lower.count(w) for w in PALAVRAS_NEGATIVAS)
sentimento = "neutro"
if pos_count > neg_count:
sentimento = "positivo"
elif neg_count > pos_count:
sentimento = "negativo"
if sentimento == "positivo":
resultado["emocao"] = "alegria"
elif sentimento == "negativo":
resultado["emocao"] = "raiva"
else:
resultado["emocao"] = "neutro"
resultado["nivel_analise"] = "heuristica_fallback"
resultado["confianca"] = 0.5
# Atualiza o estado
self.emocao_atual = resultado["emocao"]
return resultado
def analisar_intencao_e_normalizar(
self,
mensagem: str,
historico: List[Tuple[str, str]]
) -> Dict[str, Any]:
"""
Analisa a intenção, normaliza a mensagem e detecta sentimentos/estilo.
Args:
mensagem: Mensagem do usuário
historico: Histórico de conversas
Returns:
Dicionário com análise completa
"""
self._load_model()
if not isinstance(mensagem, str):
mensagem = str(mensagem)
mensagem_lower = mensagem.strip().lower()
# 1. Análise de Intenção
intencao = "pergunta"
if '?' not in mensagem_lower and ('porquê' not in mensagem_lower or 'porque' not in mensagem_lower):
intencao = "afirmacao"
if any(w in mensagem_lower for w in ['ola', 'oi', 'bom dia', 'boa tarde', 'boa noite', 'como vai']):
intencao = "saudacao"
if any(w in mensagem_lower for w in ['tchau', 'ate mais', 'adeus', 'fim', 'parar']):
intencao = "despedida"
# 2. Análise de Sentimento/Emoção
try:
emotion_analyzer = _get_emotion_analyzer() # type: ignore[call-overload]
nlp_config = getattr(config, 'NLP_CONFIG', None)
nivel = getattr(nlp_config, 'level', 'advanced') if nlp_config else 'advanced'
# Converte histórico para formato esperado
historico_dict: List[Dict[str, str]] = []
for h in historico:
if isinstance(h, tuple) and len(h) >= 2:
historico_dict.append({"mensagem": h[0], "resposta": h[1]})
# Verificação robusta para evitar "Object of type None has no attribute"
if hasattr(emotion_analyzer, 'analisar'):
analise_emocional = emotion_analyzer.analisar(
mensagem_lower,
historico=historico_dict,
nivel=nivel
)
self.emocao_atual = analise_emocional.get('emocao', 'neutra')
elif hasattr(emotion_analyzer, 'analisar_emocoes_mensagem'):
# Tenta método alternativo
analise_emocional = emotion_analyzer.analisar_emocoes_mensagem(mensagem_lower)
self.emocao_atual = analise_emocional.get('emocao', 'neutra')
else:
# Fallback interno silencioso
analise_emocional = self.analisar_emocoes_mensagem(mensagem_lower)
except Exception as e:
logger.warning(f"EmotionAnalyzer falhou, usando fallback heurístico: {e}")
analise_emocional = self.analisar_emocoes_mensagem(mensagem_lower)
# 3. Análise de Estilo
estilo = "informal"
if len(re.findall(r'[A-ZÀ-Ÿ]{3,}', mensagem)) >= 2 or re.search(r'\b(Senhor|Doutor|Atenciosamente)\b', mensagem, re.IGNORECASE):
estilo = "formal"
# 4. Outras bandeiras
ironia = False
meia_frase = False
usar_nome = random.random() < getattr(config, 'USAR_NOME_PROBABILIDADE', 0.7)
return {
"texto_normalizado": mensagem_lower,
"intencao": intencao,
"sentimento": analise_emocional.get('sentimento_detectado',
analise_emocional.get('emocao', 'neutral')),
"estilo": estilo,
"contexto_ajustado": self.substituir_termos_aprendidos(mensagem_lower),
"ironia": ironia,
"meia_frase": meia_frase,
"usar_nome": usar_nome,
"emocao": self.emocao_atual,
"confianca_emocao": analise_emocional.get('confianca', 0.5),
"nivel_analise": analise_emocional.get('nivel_analise', 'heuristica')
}
def obter_historico(self, limite: int = 5) -> List[Tuple[str, str]]:
"""
Recupera o histórico de mensagens do banco de dados.
Args:
limite: Número máximo de mensagens a recuperar
Returns:
Lista de tuplas (mensagem, resposta)
"""
if not self.usuario:
return []
if self.db is None:
return []
try:
# 🔥 CONTEXT ISOLATION: Usa conversation_id se disponível
raw_result = self.db.recuperar_historico(
usuario=self.usuario,
conversation_id=self.conversation_id or "",
limite=limite
)
return [(r.get('mensagem',''), r.get('resposta','')) for r in raw_result] if raw_result else []
except Exception as e:
# Fallback para o método antigo
try:
raw_result = self.db.recuperar_mensagens(self.usuario, limite=limite)
return raw_result if raw_result else []
except Exception as e2:
logger.warning(f"Erro ao recuperar histórico: {e2}")
return []
def obter_historico_expandido(self, limite: int = 30) -> List[Tuple[str, str]]:
"""
Recupera histórico expandido (últimas 30 mensagens) para contexto completo.
Args:
limite: Número máximo de mensagens (padrão 30)
Returns:
Lista de tuplas (mensagem, resposta)
"""
return self.obter_historico(limite=limite)
def criar_resumo_topicos_conversa(self, historico: List[Tuple[str, str]]) -> Dict[str, Any]:
"""
Cria resumo inteligente de tópicos da conversa em tempo real.
"""
if not historico:
return {"topicos": [], "resumo": "Conversa vazia"}
topicos_detectados = []
mensagens_concat = " ".join([msg for msg, _ in historico]).lower()
categorias = {
"tecnologia": ["computador", "programa", "código", "app", "site", "internet", "ai", "bot"],
"pessoal": ["eu", "minha", "meu", "vida", "família", "amigo", "trabalho"],
"entretenimento": ["música", "filme", "jogo", "esporte", "notícia", "youtube"],
"ajuda": ["ajuda", "como", "explicar", "ensinar", "dúvida", "problema"],
"conversa": ["oi", "ola", "bom", "tudo", "bem", "como vai"]
}
for categoria, palavras in categorias.items():
if any(palavra in mensagens_concat for palavra in palavras):
topicos_detectados.append(categoria)
num_mensagens = len(historico)
resumo = f"Conversa com {num_mensagens} mensagens sobre: {', '.join(topicos_detectados[:3])}"
return {
"topicos": topicos_detectados,
"resumo": resumo,
"num_mensagens": num_mensagens,
"timestamp": datetime.now().isoformat(),
"nota": "ESTE RESUMO É APENAS PARA CONTEXTO INTERNO DA API - NÃO INCLUIR NAS RESPOSTAS!"
}
def processar_contexto_reply(
self,
mensagem: str,
reply_metadata: Dict[str, Any],
historico_geral: List[Tuple[str, str]]
) -> Dict[str, Any]:
"""
Processa contexto específico de reply, mantendo histórico geral.
"""
contexto_reply = {
"is_reply": reply_metadata.get('is_reply', False),
"reply_to_bot": reply_metadata.get('reply_to_bot', False),
"quoted_author": reply_metadata.get('quoted_author_name', ''),
"quoted_text": reply_metadata.get('quoted_text_original', ''),
"context_hint": reply_metadata.get('context_hint', ''),
"historico_geral": historico_geral,
"resumo_topicos": self.criar_resumo_topicos_conversa(historico_geral)
}
if contexto_reply["is_reply"]:
quoted_content = self._extract_full_quoted_content(reply_metadata)
contexto_reply["quoted_content_full"] = quoted_content
content_analysis = self._analyze_quoted_content_for_reply(quoted_content, mensagem)
contexto_reply["content_analysis"] = content_analysis
related_context = self._find_related_context_in_history(quoted_content, historico_geral)
contexto_reply["related_context"] = related_context
reply_priority = self._calculate_reply_priority(
reply_metadata,
quoted_content,
mensagem
)
contexto_reply["reply_priority"] = reply_priority
topics = self._extract_topics_from_quoted_content(quoted_content)
contexto_reply["topics_identified"] = topics
return contexto_reply
def _extract_full_quoted_content(self, reply_metadata: Dict[str, Any]) -> str:
fields_to_check = [
'mensagem_citada', 'quoted_text_original', 'quoted_text', 'reply_content', 'full_message'
]
for field in fields_to_check:
if field in reply_metadata and reply_metadata[field]:
content = str(reply_metadata[field]).strip()
if len(content) > 5:
return content
for key, value in reply_metadata.items():
if isinstance(value, str) and len(value) > 10:
if any(word in value.lower() for word in ['eu', 'você', 'tu', 'mim', 'nosso', 'teu']):
return value.strip()
return ""
def _analyze_quoted_content_for_reply(self, quoted_content: str, current_message: str) -> Dict[str, Any]:
if not quoted_content:
return {"empty": True}
quoted_lower = quoted_content.lower()
content_type = "general"
if any(w in quoted_lower for w in ['?', 'qual', 'quando', 'onde', 'como', 'por que']):
content_type = "question"
elif any(w in quoted_lower for w in ['eu', 'mim', 'meu', 'minha', 'eu sou']):
content_type = "personal"
elif any(w in quoted_lower for w in ['akira', 'bot', 'você', 'vc']):
content_type = "about_bot"
keywords = []
keyword_mapping = {
"tempo": ["tempo", "clima", "chover", "sol", "temperatura"],
"musica": ["música", "musica", "youtube", "yt"],
"traducao": ["traduz", "letra", "ingles", "english", "tradução"],
"pesquisa": ["pesquisa", "web", "google", "busca", "buscar"],
"emocao": ["triste", "feliz", "raiva", "amor", "medo", "alegria"],
}
for category, words in keyword_mapping.items():
if any(w in quoted_lower for w in words):
keywords.append(category)
tone = "neutral"
if any(w in quoted_lower for w in ['kkk', 'haha', '😂', '🤣']):
tone = "humorous"
elif any(w in quoted_lower for w in ['!!!', '???', 'nossa', 'eita']):
tone = "excited"
elif any(w in quoted_lower for w in ['.', '..', '...']):
tone = "thoughtful"
return {
"content_type": content_type,
"keywords": keywords,
"tone": tone,
"length": len(quoted_content),
"has_question": '?' in quoted_content,
"is_about_bot": "about_bot" in keywords,
"has_emotion_keywords": len([k for k in keywords if k == "emocao"]) > 0
}
def _find_related_context_in_history(self, quoted_content: str, historico: List[Tuple[str, str]]) -> List[Dict[str, Any]]:
if not quoted_content or not historico:
return []
related_contexts = []
quoted_words = set(quoted_content.lower().split())
for i, (msg_user, msg_bot) in enumerate(historico):
if not msg_user or not msg_bot:
continue
msg_words = set((msg_user + " " + msg_bot).lower().split())
intersection = quoted_words.intersection(msg_words)
if intersection:
similarity = len(intersection) / len(quoted_words.union(msg_words))
if similarity > 0.1:
related_contexts.append({
"index": i,
"similarity": round(similarity, 3),
"user_message": msg_user[:100] if len(msg_user) > 100 else msg_user,
"bot_response": msg_bot[:100] if len(msg_bot) > 100 else msg_bot,
"common_words": list(intersection)[:5]
})
related_contexts.sort(key=lambda x: x["similarity"], reverse=True)
return related_contexts[:5]
def _calculate_reply_priority(self, reply_metadata: Dict[str, Any], quoted_content: str, current_message: str) -> Dict[str, Any]:
priority = 1
priority_type = "normal"
should_prioritize = False
is_reply_to_bot = reply_metadata.get('reply_to_bot', False)
current_words = current_message.split()
is_short_question = (
len(current_words) <= 5 and
any(w in current_message.lower() for w in ['?', 'qual', 'quando', 'onde', 'como', 'oq'])
)
has_quoted_content = len(quoted_content) > 10
if is_reply_to_bot and is_short_question:
priority = 4
priority_type = "critical_short_question"
should_prioritize = True
elif is_reply_to_bot:
priority = 3
priority_type = "reply_to_bot"
should_prioritize = True
elif is_short_question:
priority = 2
priority_type = "short_question"
should_prioritize = True
elif has_quoted_content:
priority = 1.5
priority_type = "has_content"
return {
"priority": priority,
"type": priority_type,
"should_prioritize": should_prioritize,
"is_reply_to_bot": is_reply_to_bot,
"is_short_question": is_short_question,
"has_quoted_content": has_quoted_content,
"multiplier": min(priority / 2, 1.0)
}
def _extract_topics_from_quoted_content(self, quoted_content: str) -> List[str]:
if not quoted_content:
return []
topics = []
quoted_lower = quoted_content.lower()
topic_keywords = {
"tempo_clima": ["tempo", "clima", "chover", "sol", "chuva", "temperatura"],
"musica": ["música", "musica", "youtube", "yt", "cantor", "link"],
"traducao": ["traduz", "letra", "ingles", "english", "português", "significado"],
"pesquisa": ["pesquisa", "web", "google", "busca", "buscar", "encontrar"],
"emocoes": ["triste", "feliz", "raiva", "amor", "medo", "alegria", "sentimento"],
"tecnologia": ["programa", "código", "app", "site", "internet", "bot", "akira"]
}
for topic, keywords in topic_keywords.items():
if any(kw in quoted_lower for kw in keywords):
topics.append(topic)
if not topics:
topics.append("general")
return topics
def atualizar_contexto(
self,
mensagem: str,
resposta: str,
numero: Optional[str] = None
):
"""
Salva a interação no banco e aciona aprendizado de termos.
Args:
mensagem: Mensagem do usuário
resposta: Resposta gerada
numero: Número de telefone
"""
if not self.usuario:
usuario = 'anonimo'
else:
usuario = self.usuario
final_numero = numero if numero else self.usuario
try:
if self.db is not None:
if hasattr(self.db, 'registrar_mensagem_conversation_id') and self.conversation_id:
self.db.registrar_mensagem_conversation_id(
usuario, mensagem, resposta,
conversation_id=self.conversation_id,
numero=final_numero
)
else:
self.db.salvar_mensagem(usuario, mensagem, resposta, numero=final_numero)
historico = self.obter_historico(limite=10)
self.aprender_do_historico(mensagem, resposta, historico)
if final_numero:
self.salvar_estado_contexto_no_db(final_numero)
except Exception as e:
logger.warning(f'Falha ao salvar mensagem no DB: {e}')
def salvar_estado_contexto_no_db(self, user_key: str):
"""
Persiste o estado atual da classe Contexto no banco de dados.
Args:
user_key: Chave do usuário
"""
if self.db is None:
return
termos_json = json.dumps(self.termo_contexto)
emocao_str = self.emocao_atual
try:
self.db.salvar_aprendizado_detalhado(user_key, "emocao_atual", json.dumps({"emocao": emocao_str}))
self.db.salvar_contexto(
user_key=user_key,
historico="[]",
emocao_atual=emocao_str,
termos=termos_json,
girias=termos_json,
tom=emocao_str
)
logger.debug(f"Contexto do usuário {user_key} salvo no DB.")
except Exception as e:
logger.error(f"Falha ao salvar estado do contexto no DB: {e}")
def aprender_do_historico(
self,
mensagem: str,
resposta: str,
historico: List[Tuple[str, str]]
):
"""
Aprende termos do histórico de conversas.
Args:
mensagem: Mensagem do usuário
resposta: Resposta gerada
historico: Histórico de conversas
"""
if not self.usuario:
return
if self.db is None:
return
mensagem_lower = mensagem.lower()
# Gírias angolanas comuns
girias_angolanas = ['ya', 'bué', 'fixe', 'puto', 'kapa', 'muxima', 'kalai']
for giria in girias_angolanas:
if giria in mensagem_lower:
try:
significado_placeholder = f'termo regional para {giria}'
self.db.salvar_giria_aprendida(
self.usuario,
giria,
significado_placeholder,
mensagem[:50]
)
freq_atual = self.termo_contexto.get(giria, {}).get("frequencia", 0)
self.termo_contexto[giria] = {
"significado": significado_placeholder,
"frequencia": freq_atual + 1
}
except Exception as e:
logger.warning(f"Erro ao salvar gíria no DB: {e}")
def substituir_termos_aprendidos(self, mensagem: str) -> str:
"""
Substitui termos aprendidos na mensagem.
Args:
mensagem: Mensagem original
Returns:
Mensagem com termos substituídos
"""
for termo, info in self.termo_contexto.items():
if isinstance(info, dict) and "significado" in info:
# Substitui apenas a palavra inteira (case insensitive)
mensagem = re.sub(
r'\b' + re.escape(termo) + r'\b',
info["significado"],
mensagem,
flags=re.IGNORECASE
)
return mensagem
def obter_aprendizado_detalhado(self, chave: str) -> Optional[Dict[str, Any]]:
"""
Recupera aprendizados detalhados do usuário.
Args:
chave: Chave do aprendizado
Returns:
Dicionário com o aprendizado ou None
"""
if not self.usuario:
return None
if self.db is None:
return None
try:
raw_data = self.db.recuperar_aprendizado_detalhado(self.usuario, chave)
if raw_data:
if isinstance(raw_data, str):
return json.loads(raw_data)
return raw_data
return None
except Exception as e:
logger.warning(f"Erro ao obter aprendizado detalhado: {e}")
return None
def obter_emocao_atual(self) -> str:
"""Recupera a emoção atual do usuário."""
return self.emocao_atual
def ativar_espirito_critico(self):
"""Ativa o espírito crítico para respostas questionadoras."""
self.espirito_critico = True
def obter_aprendizados(self) -> Dict[str, Any]:
"""
Retorna os aprendizados do usuário.
Returns:
Dicionário com termos, emoção e tom
"""
aprendizados = {
"termos": self.termo_contexto,
"emocao_preferida": self.emocao_atual,
"ton_predominante": self.ton_predominante
}
return aprendizados
def salvar_conhecimento_base(self, chave: str, valor: Any):
"""Salva uma informação na base de conhecimento."""
self.base_conhecimento[chave] = valor
def obter_conhecimento_base(self, chave: str) -> Optional[Any]:
"""Obtém uma informação da base de conhecimento."""
return self.base_conhecimento.get(chave)
def obter_historico_para_llm(self) -> List[Dict[str, str]]:
"""
Retorna o histórico no formato esperado pelos LLMs.
Inclui mensagens de *user* e *assistant* alternadas corretamente.
Returns:
Lista de dicionários com role e content
"""
historico = self.obter_historico()
resultado: List[Dict[str, str]] = []
for h in historico:
if isinstance(h, tuple) and len(h) >= 2:
user_msg, bot_reply = h[0], h[1]
if user_msg:
resultado.append({"role": "user", "content": str(user_msg)})
if bot_reply:
resultado.append({"role": "assistant", "content": str(bot_reply)})
elif isinstance(h, dict):
resultado.append(h)
return resultado
# ================================================================
# FUNÇÕES AUXILIARES (para compatibilidade com testar_correcoes.py)
# ================================================================
def criar_contexto(db: Optional[Database], identificador: str) -> Contexto:
"""
Factory function para criar contexto.
Args:
db: Instância do banco de dados
identificador: Identificador do usuário
Returns:
Instância de Contexto
"""
return Contexto(db=db, usuario=identificador)
# Funções auxiliares para config.py
def eh_usuario_privilegiado(numero: str) -> bool:
"""
Verifica se um número é de usuário privilegiado.
Args:
numero: Número de telefone
Returns:
True se for privilegiado
"""
try:
from .database import Database
db = Database()
return db.eh_privilegiado(numero)
except Exception as e:
logger.error(f"Erro ao verificar privilégios: {e}")
return False
def forcar_modo_inicial_privilegiado(numero: str) -> str:
"""
Retorna o modo de fala forçado para usuário privilegiado.
Args:
numero: Número de telefone
Returns:
Modo de fala
"""
try:
from .database import Database
db = Database()
modo = db.obter_modo_fala_privilegiado(numero)
return modo if modo else "tecnico_formal"
except Exception as e:
logger.error(f"Erro ao obter modo de fala: {e}")
return "tecnico_formal"
def analisar_tom_usuario(mensagem: str) -> str:
"""
Analisa o tom de uma mensagem.
Args:
mensagem: Texto da mensagem
Returns:
Tom detectado
"""
contexto = Contexto(db=None, usuario=None)
analise = contexto.analisar_emocoes_mensagem(mensagem)
return analise.get("tom_sugerido", "neutro")
def determinar_nivel_transicao(
numero: str,
tom: str,
nivel_atual: int
) -> int:
"""
Determina o nível de transição baseado no tom.
Usa transição LENTA e gradual conforme configurações do config.
Args:
numero: Número do usuário
tom: Tom detectado
nivel_atual: Nível atual
Returns:
Novo nível de transição (mudança muito gradual)
"""
# threshold configurado no config.py (atual: 0.9)
threshold = getattr(config, 'TRANSICAO_HUMOR_THRESHOLD', 0.9)
nivel_max = getattr(config, 'NIVEL_TRANSICAO_MAX', 1)
# Com threshold de 0.9, só muda se tiver 90% de certeza
# Com nivel_max = 1, só pode mudar 1 nível por vez (muito lento)
if tom in ["formal", "tecnico_formal"]:
return min(nivel_atual + 1, nivel_max)
elif tom in ["casual", "informal"]:
return max(nivel_atual - 1, 1)
return nivel_atual
|