Update app.py

app.py

@@ -10,18 +10,24 @@ from langchain.memory import ConversationBufferMemory
 from langchain.agents import Tool, initialize_agent
 from langchain.agents.agent_types import AgentType
 
-# Inicializa pipeline com modelo leve (aumentei max_new_tokens para evitar truncamento)
-pipe = pipeline("text2text-generation", model="google/flan-t5-small", max_new_tokens=100)
+# Pipeline com limite maior de tokens e truncamento ativado
+pipe = pipeline(
+    "text2text-generation",
+    model="google/flan-t5-small",
+    max_new_tokens=100,
+    truncation=True,
+    max_length=512,
+)
 llm = HuggingFacePipeline(pipeline=pipe)
 
-# Memória de conversa
-memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
+# Memória limitada para 3 turnos
+memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True, k=3)
 
-# Função para carregar documento txt
+# Carregamento do documento com chunks menores
 def carregar_documento_txt(path):
     loader = TextLoader(path, encoding="latin-1")
     documentos = loader.load()
-    splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
+    splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
     documentos_divididos = splitter.split_documents(documentos)
     embeddings = HuggingFaceEmbeddings()
     vectorstore = FAISS.from_documents(documentos_divididos, embeddings)
@@ -29,7 +35,7 @@ def carregar_documento_txt(path):
 
 vectorstore = carregar_documento_txt("meu_documento.txt")
 
-# Cadeia de busca com memória
+# Cadeia de consulta com memória
 chat_chain = ConversationalRetrievalChain.from_llm(
     llm=llm,
     retriever=vectorstore.as_retriever(),
@@ -52,7 +58,7 @@ tools = [
     Tool(
         name="Responder Geral",
         func=responder_geral,
-        description="Usa para responder perguntas gerais, saudações ou conversas comuns."
+        description="Usa para perguntas gerais ou bate-papo."
     )
 ]
 
@@ -69,12 +75,17 @@ with gr.Blocks() as demo:
     gr.Markdown("## 🤖 Chat IA com Agente e Documento TXT")
 
     chatbot = gr.Chatbot(label="Chat com Agente e Documento")
-    entrada = gr.Textbox(placeholder="Digite sua pergunta e aperte Enter ou clique em Enviar", show_label=False)
+    entrada = gr.Textbox(placeholder="Digite sua pergunta e aperte Enter", show_label=False)
     estado_chat = gr.State([])
 
     def interagir(msg, history):
         try:
             resposta = agent.invoke(msg)
+            # Garantir resposta string para o chatbot
+            if isinstance(resposta, dict):
+                resposta = str(resposta)
+            elif not isinstance(resposta, str):
+                resposta = str(resposta)
         except Exception as e:
             resposta = f"Erro ao gerar resposta: {e}"
         history = history + [(msg, resposta)]
@@ -87,3 +98,4 @@ with gr.Blocks() as demo:
 demo.launch(server_name="0.0.0.0", server_port=7860, show_api=False)
 
 
+