Update app.py

app.py

@@ -7,15 +7,18 @@ from langchain_community.document_loaders import TextLoader
 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
+
 
 # 🔹 Inicializa pipeline com modelo leve
 pipe = pipeline("text2text-generation", model="google/flan-t5-small", max_new_tokens=50)
 llm = HuggingFacePipeline(pipeline=pipe)
 
-# 🔹 Memória de conversa
+# 🔹 Memória de conversa para a cadeia de documentos
 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
 
-# 🔹 Função de carregamento do documento (TXT com codificação explícita)
+# 🔹 Carregamento e preparação do documento
 def carregar_documento_txt(path):
     loader = TextLoader(path, encoding="latin-1")
     documentos = loader.load()
@@ -25,30 +28,57 @@ def carregar_documento_txt(path):
     vectorstore = FAISS.from_documents(documentos_divididos, embeddings)
     return vectorstore
 
-# 🔹 Carrega documento TXT
 vectorstore = carregar_documento_txt("meu_documento.txt")
 
-# 🔹 Cria cadeia de resposta com memória + busca por similaridade
+# 🔹 Cadeia de busca com memória
 chat_chain = ConversationalRetrievalChain.from_llm(
     llm=llm,
     retriever=vectorstore.as_retriever(),
     memory=memory,
 )
 
-# 🔹 Função de resposta
-def responder(pergunta):
+# 🔹 Define ferramentas para o agente
+
+# 1. Responder baseado no documento
+def responder_documento(pergunta):
     return chat_chain.run({"question": pergunta})
 
-# 🔹 Interface Gradio
+# 2. Responder de forma geral (chat simples)
+def responder_geral(pergunta):
+    # Apenas usa o LLM para responder livremente
+    return llm.run(pergunta)
+
+tools = [
+    Tool(
+        name="Responder com Documento",
+        func=responder_documento,
+        description="Usa para responder perguntas específicas sobre o documento."
+    ),
+    Tool(
+        name="Responder Geral",
+        func=responder_geral,
+        description="Usa para responder perguntas gerais, saudações ou conversas comuns."
+    )
+]
+
+# Inicializa agente com as ferramentas acima
+agent = initialize_agent(
+    tools=tools,
+    llm=llm,
+    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
+    verbose=False,
+)
+
+# Interface Gradio com histórico
 with gr.Blocks() as demo:
-    gr.Markdown("## 🤖 Chat IA com Documento TXT")
+    gr.Markdown("## 🤖 Chat IA com Agente e Documento TXT")
 
-    chatbot = gr.Chatbot(label="Chat com Documento")
+    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)
-    estado_chat = gr.State([])  # Histórico local do chat
+    estado_chat = gr.State([])
 
     def interagir(msg, history):
-        resposta = responder(msg)
+        resposta = agent.run(msg)
         history = history + [(msg, resposta)]
         return "", history
 
@@ -56,7 +86,6 @@ with gr.Blocks() as demo:
     enviar_btn = gr.Button("Enviar")
     enviar_btn.click(interagir, [entrada, estado_chat], [entrada, chatbot])
 
-# 🔹 Lança a interface
 demo.launch(server_name="0.0.0.0", server_port=7860, show_api=False)