Update app.py

app.py

@@ -9,19 +9,34 @@ from langchain.chains import ConversationalRetrievalChain
 from langchain.memory import ConversationBufferMemory
 from langchain.prompts import PromptTemplate
 import os
+from huggingface_hub import login
 
-# Define o caminho do documento
+# --- Configurações Iniciais ---
 DOC_PATH = "meu-documento.pdf"
+MODEL_NAME = "mistralai/Mistral-7B-Instruct-v0.3"
+
+# 🔑 Autenticação no Hugging Face Hub (Passo adicionado)
+# Isso garante que o token seja usado para fazer o login antes de carregar o modelo.
+huggingface_token = os.getenv("HUGGINGFACE_TOKEN")
+if huggingface_token:
+    try:
+        print("Tentando fazer login no Hugging Face Hub...")
+        login(token=huggingface_token)
+        print("Login bem-sucedido.")
+    except Exception as e:
+        print(f"Erro no login do Hugging Face: {e}")
+else:
+    print("Aviso: Variável de ambiente HUGGINGFACE_TOKEN não encontrada. O carregamento do modelo pode falhar.")
 
 # 🔁 Carrega e processa o PDF
 def carregar_documento_pdf(path):
     if not os.path.exists(path):
-        raise FileNotFoundError(f"O arquivo {path} não foi encontrado.")
-
+        print(f"Erro: O arquivo {path} não foi encontrado.")
+        return None
     loader = PyMuPDFLoader(path)
     documentos = loader.load()
     splitter = RecursiveCharacterTextSplitter(
-        chunk_size=128,
+        chunk_size=512,
         chunk_overlap=100,
         separators=["\n\n", "\n", ".", " "]
     )
@@ -30,46 +45,48 @@ def carregar_documento_pdf(path):
     vectorstore = FAISS.from_documents(documentos_divididos, embeddings)
     return vectorstore
 
-# ⚙️ Configura o pipeline com TinyLlama
-pipe = pipeline(
-    "text-generation",
-    model="mistralai/Mistral-7B-Instruct-v0.3",
-    max_new_tokens=512,
-    temperature=0.7,
-    do_sample=True,
-)
-llm = HuggingFacePipeline(pipeline=pipe)
-
+# ⚙️ Configura o pipeline com o modelo Mistral
+try:
+    pipe = pipeline(
+        "text-generation",
+        model=MODEL_NAME,
+        max_new_tokens=256,
+        temperature=0.7,
+        do_sample=True
+    )
+    llm = HuggingFacePipeline(pipeline=pipe)
+except Exception as e:
+    print(f"Erro ao carregar o modelo HuggingFace: {e}")
+    llm = None
+    
 # 🧠 Memória da conversação
 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True, k=3)
 
-# 📄 Indexação
-# Garante que o vectorstore seja criado apenas uma vez
-try:
-    vectorstore = carregar_documento_pdf(DOC_PATH)
-    # 🧾 Prompt otimizado para respostas claras
-    custom_prompt = PromptTemplate.from_template("""Você é um assistente técnico que responde com base **apenas** no documento fornecido.
-    Texto:{context}
-    Q: {question}
-    A:""")
+# 📄 Indexação do documento
+vectorstore = carregar_documento_pdf(DOC_PATH)
+
+# 🧾 Prompt otimizado para respostas claras
+custom_prompt = PromptTemplate.from_template("""
+    Você é um assistente técnico que responde com base **apenas** no documento fornecido.
+    Sempre use o idioma Português do Brasil para responder.
+
+    Contexto:{context}
+    Pergunta: {question}
+    Resposta:""")
 
-    # 🔗 Cadeia RAG com memória e prompt
+# 🔗 Cadeia RAG com memória e prompt
+chat_chain = None
+if llm and vectorstore:
     chat_chain = ConversationalRetrievalChain.from_llm(
         llm=llm,
         retriever=vectorstore.as_retriever(search_kwargs={"k": 4}),
         memory=memory,
-        combine_docs_chain_kwargs={"prompt": custom_prompt},
+        combine_docs_chain_kwargs={"prompt": custom_prompt}
     )
-except FileNotFoundError as e:
-    print(e)
-    vectorstore = None
-    chat_chain = None
-    # Adicionar uma mensagem de erro na interface, se necessário.
-    
+
 # 💬 Interface Gradio
 with gr.Blocks() as demo:
     gr.Markdown("## 🤖💼 CS Search Engine")
-    
     chatbot = gr.Chatbot(label="Assistente Técnico")
     
     with gr.Row():
@@ -80,40 +97,24 @@ with gr.Blocks() as demo:
         )
         enviar_btn = gr.Button("Enviar")
 
-    # 🛠️ Ação de Interação corrigida
     def interagir(msg, history):
         if not chat_chain:
-            return "", history + [(msg, "Erro: O documento PDF não foi encontrado durante a inicialização.")]
-        
-        try:
-            # A função .invoke() ou .run() recebe o histórico no formato correto da LangChain
-            # O ConversationalRetrievalChain já gerencia o histórico internamente se ele for passado
-            # O `history` do Gradio é o histórico visual do chat
-            
-            # Formata o histórico do Gradio para o formato da LangChain (tupla de (pergunta, resposta))
-            langchain_history = [
-                (h[0], h[1]) for h in history
-            ]
-            
-            resposta = chat_chain.invoke({
-                "question": msg, 
-                "chat_history": langchain_history
-            })
+            history.append((msg, "Erro: A cadeia de chat não foi inicializada."))
+            return "", history
 
-            # A resposta da cadeia é um dicionário, precisamos extrair a resposta
-            resposta_texto = resposta['answer']
+        try:
+            resposta_completa = chat_chain.invoke({"question": msg})
+            resposta_texto = resposta_completa['answer']
             
         except Exception as e:
             resposta_texto = f"Erro ao gerar resposta: {e}"
-            
+        
         history.append((msg, resposta_texto))
-        return "", history # Retorna uma string vazia para o Textbox e a lista de histórico para o Chatbot
+        
+        return "", history
 
-    # Conecta a entrada e o botão à função de interação
-    # Removemos o estado_chat, pois o chatbot do Gradio já gerencia o histórico
     entrada.submit(interagir, [entrada, chatbot], [entrada, chatbot])
     enviar_btn.click(interagir, [entrada, chatbot], [entrada, chatbot])
 
 demo.launch(server_name="0.0.0.0", server_port=7860, show_api=False)
 
-