app.py

import os
import gradio as gr
from huggingface_hub import InferenceClient
from langchain_community.document_loaders import PyPDFLoader, WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma

# --- CONFIGURAÇÕES ---
HF_TOKEN = os.getenv("Circulo_bot")
MODEL_ID = "meta-llama/Meta-Llama-3-8B-Instruct"
DB_DIR = "./chroma_db"

client = InferenceClient(MODEL_ID, token=HF_TOKEN)
os.environ["USER_AGENT"] = "SRF_Marilia_Bot/1.0"

# --- 1. CARREGAMENTO E VETORIZAÇÃO (RAG) ---
def inicializar_base_conhecimento():
    embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
    
    # Se o banco já existe localmente, carrega ele em vez de reprocessar tudo
    if os.path.exists(DB_DIR) and os.listdir(DB_DIR):
        print("Carregando base de dados existente...")
        return Chroma(persist_directory=DB_DIR, embedding_function=embeddings)

    print("Criando nova base de dados...")
    urls = ["https://www.srf-marilia.com/atividades.html", "https://srf-marilia.com/index.html", "https://srf-marilia.com/srf.html", 
            "https://srf-marilia.com/yogananda.html", "https://srf-marilia.com/meditacao.html", "https://srf-marilia.com/livraria.html",
            "https://srf-marilia.com/links.html", "https://www.instagram.com/srf.marilia", "https://yogananda.org/pt/perguntas-frequentes"]
    pdf_files = ["Autobiografia.pdf", "Circulo.pdf", "SRF.pdf", "FAQ.pdf", "Livros.pdf"]
    docs = []

    # Carregar URLs
    for url in urls:
        try:
            loader = WebBaseLoader(url)
            docs.extend(loader.load())
        except Exception as e:
            print(f"Erro URL {url}: {e}")

    # Carregar PDFs
    for pdf in pdf_files:
        if os.path.exists(pdf):
            try:
                loader = PyPDFLoader(pdf)
                docs.extend(loader.load())
            except Exception as e:
                print(f"Erro PDF {pdf}: {e}")

    # Processamento de texto
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=800, chunk_overlap=100)
    splits = text_splitter.split_documents(docs)
    
    # Criar e persistir o banco
    vectorstore = Chroma.from_documents(
        documents=splits, 
        embedding=embeddings, 
        persist_directory=DB_DIR
    )
    return vectorstore

# Inicializa o banco globalmente
vectorstore = inicializar_base_conhecimento()

# --- 2. LÓGICA DO CHAT ---
def bot_response(message, history):
    # 1. Busca por similaridade no banco de dados
    relevant_docs = vectorstore.similarity_search(message, k=3)
    context = "\n\n".join([doc.page_content for doc in relevant_docs])

    # 2. Prompt do Sistema
    system_message = (
        "Você é o Assistente Virtual do Círculo de Meditação de Marília da SRF. "
        "Seu tom deve ser sempre calmo, gentil, acolhedor e espiritualizado, "
        "refletindo a paz dos ensinamentos de Paramahansa Yogananda.\n\n"
        
        "DIRETRIZES DE RESPOSTA:\n"
        "1. Se a resposta estiver presente no CONTEXTO abaixo, sinta-se à vontade para ser "
        "atencioso e explicar com clareza e beleza, usando o máximo de detalhes que o contexto permitir.\n"
        "2. Se a informação NÃO estiver no contexto, não tente adivinhar. Nesse caso específico, "
        "seja breve e peça desculpas, orientando o usuário a enviar um e-mail para srf.marilia@yahoo.com.\n"
        "3. Nunca mencione que está lendo um texto ou que tem um 'contexto fornecido'. Fale de forma natural.\n\n"
        
        f"CONTEXTO RELEVANTE:\n{context}"
    )

    # 3. Construção do histórico de mensagens (Versão Segura)
    messages = [{"role": "system", "content": system_message}]
    
    for entry in history:
        # Se o histórico vier como dicionário (Gradio 5+)
        if isinstance(entry, dict):
            messages.append({"role": entry["role"], "content": entry["content"]})
        # Se o histórico vier como lista/tupla (Gradio 4-)
        elif isinstance(entry, (list, tuple)) and len(entry) == 2:
            user_part, bot_part = entry
            if user_part: messages.append({"role": "user", "content": user_part})
            if bot_part: messages.append({"role": "assistant", "content": bot_part})
    
    # Adiciona a pergunta atual do usuário
    messages.append({"role": "user", "content": message})

    # 4. GERAÇÃO via Stream (Versão ultra-segura)
    partial_text = ""
    try:
        for chunk in client.chat_completion(
            messages, 
            max_tokens=600, 
            stream=True, 
            temperature=0.10,  # Quase determinístico
            top_p=0.90         # Filtra respostas muito "fora da caixa"
        ):
            # Verificamos cuidadosamente se o chunk tem os dados antes de acessar o índice [0]
            if hasattr(chunk, 'choices') and len(chunk.choices) > 0:
                token = chunk.choices[0].delta.content
                if token:
                    partial_text += token
                    yield partial_text
    except Exception as e:
        yield f"Houve um erro na comunicação com o modelo: {str(e)}"

# --- 3. INTERFACE ---
# Removendo o argumento 'theme' que causou o erro
demo = gr.ChatInterface(
    fn=bot_response,
    title="🧘 Assistente SRF Marília",
    description="Tire suas dúvidas sobre meditação e os ensinamentos de Paramahansa Yogananda.",
    examples=["Como começar a meditar?", "Quais os horários das atividades?", "Quem foi Yogananda?"],
    cache_examples=False
)

if __name__ == "__main__":
    # Removendo server_name e server_port para o Hugging Face gerenciar sozinho
    demo.launch()