Spaces:
Sleeping
Sleeping
File size: 9,571 Bytes
e982206 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 |
"""
Agente de processamento de contexto inicial para sugestão de queries SQL
"""
import logging
import asyncio
from typing import Optional, Dict, Any
from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_community.llms import HuggingFaceEndpoint
from langchain.schema import HumanMessage
from utils.config import (
TEMPERATURE,
AVAILABLE_MODELS,
OPENAI_MODELS,
ANTHROPIC_MODELS,
GOOGLE_MODELS,
REFINEMENT_MODELS
)
class ProcessingAgentManager:
"""
Gerenciador do agente de processamento de contexto inicial
"""
def __init__(self, model_name: str = "gpt-4o-mini"):
self.model_name = model_name
self.llm = None
self._initialize_llm()
def _initialize_llm(self):
"""Inicializa o modelo LLM baseado no nome fornecido"""
try:
# Obtém o ID real do modelo
model_id = AVAILABLE_MODELS.get(self.model_name, self.model_name)
# Verifica se é modelo de refinamento
if model_id not in AVAILABLE_MODELS.values():
model_id = REFINEMENT_MODELS.get(self.model_name, model_id)
# Cria o modelo LLM baseado no provedor
if model_id in OPENAI_MODELS:
# Configurações específicas para modelos OpenAI
if model_id == "o3-mini":
# o3-mini não suporta temperature
self.llm = ChatOpenAI(model=model_id)
else:
# GPT-4o e GPT-4o-mini suportam temperature
self.llm = ChatOpenAI(model=model_id, temperature=TEMPERATURE)
elif model_id in ANTHROPIC_MODELS:
# Claude com tool-calling e configurações para rate limiting
self.llm = ChatAnthropic(
model=model_id,
temperature=TEMPERATURE,
max_tokens=4096,
max_retries=2,
timeout=60.0
)
elif model_id in GOOGLE_MODELS:
# Gemini com configurações otimizadas
self.llm = ChatGoogleGenerativeAI(
model=model_id,
temperature=TEMPERATURE,
max_tokens=4096,
max_retries=2,
timeout=60.0
)
else:
# Modelos HuggingFace (refinement models)
self.llm = HuggingFaceEndpoint(
endpoint_url=f"https://api-inference.huggingface.co/models/{model_id}",
temperature=TEMPERATURE,
max_new_tokens=1024,
timeout=120
)
logging.info(f"Processing Agent inicializado com modelo {model_id}")
except Exception as e:
logging.error(f"Erro ao inicializar Processing Agent: {e}")
# Fallback para GPT-4o-mini
self.llm = ChatOpenAI(model="gpt-4o-mini", temperature=TEMPERATURE)
logging.warning("Usando GPT-4o-mini como fallback")
def recreate_llm(self, new_model: str):
"""
Recria o LLM com novo modelo
Args:
new_model: Nome do novo modelo
"""
old_model = self.model_name
self.model_name = new_model
self._initialize_llm()
logging.info(f"[PROCESSING] Modelo alterado de '{old_model}' para '{new_model}'")
async def process_context(self, context_prompt: str) -> Dict[str, Any]:
"""
Processa o contexto inicial e retorna sugestão de query
Args:
context_prompt: Prompt com contexto e pergunta do usuário
Returns:
Resultado do processamento com pergunta e sugestão de query
"""
try:
logging.info(f"[PROCESSING] ===== INICIANDO PROCESSING AGENT =====")
logging.info(f"[PROCESSING] Modelo utilizado: {self.model_name}")
logging.info(f"[PROCESSING] Tamanho do contexto: {len(context_prompt)} caracteres")
# Executa o processamento
if hasattr(self.llm, 'ainvoke'):
# Para modelos que suportam async
logging.info(f"[PROCESSING] Executando chamada assíncrona para {self.model_name}")
response = await self.llm.ainvoke([HumanMessage(content=context_prompt)])
output = response.content
else:
# Para modelos síncronos, executa em thread
logging.info(f"[PROCESSING] Executando chamada síncrona para {self.model_name}")
response = await asyncio.get_event_loop().run_in_executor(
None,
lambda: self.llm.invoke([HumanMessage(content=context_prompt)])
)
output = response.content if hasattr(response, 'content') else str(response)
logging.info(f"[PROCESSING] Resposta recebida do modelo ({len(output)} caracteres)")
# Processa a resposta
processed_result = self._parse_processing_response(output)
result = {
"success": True,
"output": output,
"processed_question": processed_result.get("question", ""),
"suggested_query": processed_result.get("query", ""),
"query_observations": processed_result.get("observations", ""),
"model_used": self.model_name
}
# Log simples do resultado
if result['suggested_query']:
logging.info(f"[PROCESSING] ✅ Query SQL extraída com sucesso")
else:
logging.warning(f"[PROCESSING] ❌ Nenhuma query SQL foi extraída")
logging.info(f"[PROCESSING] ===== PROCESSING AGENT CONCLUÍDO =====")
return result
except Exception as e:
error_msg = f"Erro no Processing Agent: {e}"
logging.error(error_msg)
return {
"success": False,
"output": error_msg,
"processed_question": "",
"suggested_query": "",
"model_used": self.model_name
}
def _parse_processing_response(self, response: str) -> Dict[str, str]:
"""
Extrai query SQL e observações da resposta
Args:
response: Resposta do modelo
Returns:
Dicionário com query e observações extraídas
"""
try:
import re
query = ""
observations = ""
# Primeiro, tenta extrair observações pelo formato esperado
obs_match = re.search(r'Observações:\s*(.*?)(?:\n|$)', response, re.IGNORECASE)
if obs_match:
observations = obs_match.group(1).strip()
# Agora extrai a query SQL - prioriza blocos de código SQL
sql_patterns = [
# Padrão principal: ```sql ... ```
r'```sql\s*(.*?)\s*```',
# Padrão alternativo: ``` ... ``` (assumindo que é SQL)
r'```\s*(WITH.*?)\s*```',
r'```\s*(SELECT.*?)\s*```',
# Padrões sem backticks
r'Opção de querySQL:\s*(WITH.*?)(?=Observações:|$)',
r'Opção de querySQL:\s*(SELECT.*?)(?=Observações:|$)',
# Padrões mais gerais
r'(WITH\s+.*?;)',
r'(SELECT\s+.*?;)'
]
for pattern in sql_patterns:
match = re.search(pattern, response, re.DOTALL | re.IGNORECASE)
if match:
query = match.group(1).strip()
break
# Limpa a query final se encontrada
if query:
# Remove apenas backticks e mantém formatação original
query = query.replace('```', '').replace('sql', '').strip()
# Remove quebras de linha no início e fim, mas mantém formatação interna
query = query.strip('\n').strip()
# Se ainda não encontrou observações, tenta padrão mais flexível
if not observations:
obs_patterns = [
r'Observações:\s*(.*)',
r'Observacoes:\s*(.*)',
]
for pattern in obs_patterns:
match = re.search(pattern, response, re.IGNORECASE | re.DOTALL)
if match:
observations = match.group(1).strip()
break
return {
"question": "", # Não precisamos da pergunta processada
"query": query,
"observations": observations
}
except Exception as e:
logging.error(f"Erro ao extrair query e observações: {e}")
return {
"question": "",
"query": "",
"observations": ""
}
def get_default_processing_agent(model_name: str = "gpt-4o-mini") -> ProcessingAgentManager:
"""
Cria um Processing Agent com configurações padrão
Args:
model_name: Nome do modelo a usar
Returns:
ProcessingAgentManager configurado
"""
return ProcessingAgentManager(model_name)
|