Update app.py

app.py

@@ -3,14 +3,25 @@ from transformers import pipeline
 from langchain_community.llms import HuggingFacePipeline
 from langchain_community.embeddings import HuggingFaceEmbeddings
 from langchain_community.vectorstores import FAISS
-from langchain_community.document_loaders import TextLoader
+from langchain.document_loaders import PyPDFLoader
 from langchain.text_splitter import RecursiveCharacterTextSplitter
 from langchain.chains import ConversationalRetrievalChain
 from langchain.memory import ConversationBufferMemory
-from langchain.agents import Tool, initialize_agent
-from langchain.agents.agent_types import AgentType
 
-# Modelo com melhor performance para agentes
+# Carrega e divide o documento PDF fixo (local)
+def carregar_documento_pdf(path):
+    loader = PyPDFLoader(path)
+    documentos = loader.load()
+    splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
+    documentos_divididos = splitter.split_documents(documentos)
+    embeddings = HuggingFaceEmbeddings()
+    vectorstore = FAISS.from_documents(documentos_divididos, embeddings)
+    return vectorstore
+
+# Inicializa vectorstore com PDF fixo
+vectorstore = carregar_documento_pdf("meu_documento_fixo.pdf")
+
+# Inicializa pipeline do Flan-Alpaca
 pipe = pipeline(
     "text2text-generation",
     model="declare-lab/flan-alpaca-base",
@@ -20,81 +31,39 @@ pipe = pipeline(
 )
 llm = HuggingFacePipeline(pipeline=pipe)
 
-# Memória limitada para evitar prompts muito longos
+# Memória limitada para evitar prompts muito longos (k=3 últimas mensagens)
 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True, k=3)
 
-# Carrega e divide documento em partes menores
-def carregar_documento_txt(path):
-    loader = TextLoader(path, encoding="latin-1")
-    documentos = loader.load()
-    splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
-    documentos_divididos = splitter.split_documents(documentos)
-    embeddings = HuggingFaceEmbeddings()
-    vectorstore = FAISS.from_documents(documentos_divididos, embeddings)
-    return vectorstore
-
-vectorstore = carregar_documento_txt("meu_documento.txt")
-
-# Cadeia de busca com memória
+# Cadeia de Perguntas & Respostas com memória
 chat_chain = ConversationalRetrievalChain.from_llm(
     llm=llm,
     retriever=vectorstore.as_retriever(),
     memory=memory,
 )
 
-# Ferramentas do agente
-def responder_documento(pergunta):
-    return chat_chain.run({"question": pergunta})
-
-def responder_geral(pergunta):
-    return llm.invoke(pergunta)
-
-tools = [
-    Tool(
-        name="Responder com Documento",
-        func=responder_documento,
-        description="Use para responder perguntas específicas sobre o documento."
-    ),
-    Tool(
-        name="Responder Geral",
-        func=responder_geral,
-        description="Use para perguntas gerais ou bate-papo."
-    )
-]
-
-# Agente com tratamento de parsing
-agent = initialize_agent(
-    tools=tools,
-    llm=llm,
-    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
-    verbose=False,
-    handle_parsing_errors=True,
-)
+# Função para responder pergunta com contexto de memória
+def responder_pergunta(pergunta):
+    if not pergunta or not pergunta.strip():
+        return "Por favor, insira uma pergunta válida."
+    resposta = chat_chain.run({"question": pergunta})
+    return resposta
 
-# Interface Gradio
+# Interface Gradio com chat e memória
 with gr.Blocks() as demo:
-    gr.Markdown("## 🤖 Chat IA com Agente e Documento TXT")
+    gr.Markdown("## 🤖 Chat com PDF fixo - Flan Alpaca + LangChain + FAISS + Memória")
+    chatbot = gr.Chatbot(label="Conversa com memória")
+    pergunta_input = gr.Textbox(placeholder="Digite sua pergunta aqui...", label="Pergunta")
+    enviar_btn = gr.Button("Enviar")
 
-    chatbot = gr.Chatbot(label="Chat com Agente e Documento")
-    entrada = gr.Textbox(placeholder="Digite sua pergunta e aperte Enter", show_label=False)
-    estado_chat = gr.State([])
+    def interagir(pergunta, chat_hist):
+        resposta = responder_pergunta(pergunta)
+        chat_hist = chat_hist + [(pergunta, resposta)]
+        return "", chat_hist
 
-    def interagir(msg, history):
-        try:
-            resposta = agent.invoke(msg)
-            # Extrai texto se for dict
-            if isinstance(resposta, dict):
-                resposta = resposta.get('output', 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)]
-        return "", history
+    enviar_btn.click(interagir, inputs=[pergunta_input, chatbot], outputs=[pergunta_input, chatbot])
+    pergunta_input.submit(interagir, inputs=[pergunta_input, chatbot], outputs=[pergunta_input, chatbot])
 
-    entrada.submit(interagir, [entrada, estado_chat], [entrada, chatbot])
-    gr.Button("Enviar").click(interagir, [entrada, estado_chat], [entrada, chatbot])
+demo.launch(server_name="0.0.0.0", server_port=7860)
 
-demo.launch(server_name="0.0.0.0", server_port=7860, show_api=False)