File size: 10,646 Bytes
68e8c03
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
"""Interface web BYOK do DocuMind AI utilizando Streamlit com isolamento por sessão."""

import os
import secrets
import tempfile
from pathlib import Path

import streamlit as st
from dotenv import load_dotenv

from src.document_loader import DocumentLoadError
from src.embeddings import EmbeddingLoadError, EmbeddingModel
from src.llm import BYOKLLM, LLMConfigError, LLMMode, sanitize_sensitive_text
from src.rag_pipeline import RAGPipeline

load_dotenv()

st.set_page_config(
    page_title="DocuMind AI",
    page_icon="📄",
    layout="wide",
)

MODE_LABELS: dict[str, LLMMode] = {
    "Modo Gemini": "gemini",
    "Modo Groq": "groq",
    "Modo Gemini + fallback Groq": "gemini_groq",
}


@st.cache_resource(show_spinner="Carregando modelo local de embeddings (all-MiniLM-L6-v2)...")
def get_embedding_model() -> EmbeddingModel:
    """Carrega o modelo SentenceTransformer uma única vez por processo."""
    return EmbeddingModel()


def _resolve_session_storage(session_id: str) -> tuple[Path, str]:
    """Define diretório e coleção isolados por sessão em ambiente multiusuário."""
    if os.getenv("SPACE_ID"):
        base_dir = Path(tempfile.gettempdir()) / "documind_sessions" / session_id
        return base_dir, f"session_{session_id[:16]}"
    persist_dir = Path(os.getenv("CHROMA_PERSIST_DIR", "data/chroma_db"))
    return persist_dir, f"session_{session_id[:16]}"


def init_session_state() -> None:
    """Inicializa estado isolado da sessão atual."""
    if "session_id" not in st.session_state:
        st.session_state.session_id = secrets.token_urlsafe(24)
    if "messages" not in st.session_state:
        st.session_state.messages = []
    if "byok_mode_label" not in st.session_state:
        st.session_state.byok_mode_label = "Modo Gemini"
    if "byok_gemini_key" not in st.session_state:
        st.session_state.byok_gemini_key = ""
    if "byok_groq_key" not in st.session_state:
        st.session_state.byok_groq_key = ""


def get_pipeline() -> RAGPipeline:
    """Obtém ou cria o pipeline RAG exclusivo da sessão atual."""
    if "pipeline" not in st.session_state:
        persist_dir, collection_name = _resolve_session_storage(st.session_state.session_id)
        st.session_state.pipeline = RAGPipeline(
            persist_directory=persist_dir,
            collection_name=collection_name,
            embedding_model=get_embedding_model(),
        )
    return st.session_state.pipeline


def clear_session_credentials(pipeline: RAGPipeline) -> None:
    """Remove credenciais da sessão atual em memória."""
    st.session_state.byok_gemini_key = ""
    st.session_state.byok_groq_key = ""
    pipeline.set_llm(None)


def render_sources(sources: list[dict[str, object]]) -> None:
    """Exibe as fontes (documento, página e trecho) em um bloco expansível."""
    if not sources:
        return
    with st.expander(f"📚 Fontes consultadas ({len(sources)})", expanded=False):
        for src in sources:
            st.markdown(f"**{src['source']}** — Página `{src['page']}`")
            st.caption(str(src["excerpt"]))


def main() -> None:
    init_session_state()

    try:
        pipeline = get_pipeline()
    except EmbeddingLoadError as exc:
        st.error(f"Erro ao inicializar o modelo local de embeddings: {exc}")
        st.stop()

    with st.sidebar:
        st.title("📄 DocuMind AI")
        st.caption("RAG com embeddings locais e arquitetura BYOK (suas próprias chaves).")
        st.divider()

        # Configuração BYOK (sem uso de chaves do proprietário)
        st.subheader("🔑 Credenciais (BYOK)")
        mode_label = st.radio(
            "Modo de geração",
            options=list(MODE_LABELS.keys()),
            key="byok_mode_label",
        )
        selected_mode: LLMMode = MODE_LABELS[mode_label]

        if selected_mode in ("gemini", "gemini_groq"):
            st.text_input(
                "GEMINI_API_KEY",
                type="password",
                key="byok_gemini_key",
                placeholder="Cole sua chave da Google Gemini API",
            )
        if selected_mode in ("groq", "gemini_groq"):
            st.text_input(
                "GROQ_API_KEY",
                type="password",
                key="byok_groq_key",
                placeholder="Cole sua chave da Groq API",
            )

        if st.button("Limpar credenciais", use_container_width=True):
            clear_session_credentials(pipeline)
            st.rerun()

        st.divider()

        # Upload e indexação de PDFs
        uploaded_files = st.file_uploader(
            "Envie seus arquivos PDF (máx. 20 MB cada)",
            type=["pdf"],
            accept_multiple_files=True,
            help="Os documentos são processados localmente e isolados na sua sessão.",
        )

        if st.button(
            "Processar documentos",
            type="primary",
            use_container_width=True,
            disabled=not uploaded_files,
        ):
            total_chunks = 0
            errors: list[str] = []

            with st.status("Processando PDFs com embeddings locais...", expanded=True) as status:
                for uploaded_file in uploaded_files or []:
                    st.write(f"Indexando `{uploaded_file.name}`...")
                    try:
                        uploaded_file.seek(0)
                        chunks_added = pipeline.index_pdf(uploaded_file, filename=uploaded_file.name)
                        total_chunks += chunks_added
                        st.write(f"✅ `{uploaded_file.name}` ({chunks_added} trechos)")
                    except DocumentLoadError as exc:
                        errors.append(str(exc))
                        st.write(f"⚠️ {exc}")
                    except Exception as exc:
                        errors.append(f"Erro inesperado ao processar '{uploaded_file.name}': {exc}")
                        st.write(f"❌ Erro em `{uploaded_file.name}`")

                if total_chunks > 0 and not errors:
                    status.update(label=f"Concluído! {total_chunks} trechos indexados.", state="complete")
                elif total_chunks > 0:
                    status.update(label=f"Finalizado com avisos ({total_chunks} trechos).", state="complete")
                else:
                    status.update(label="Nenhum trecho foi indexado.", state="error")

        st.divider()
        indexed_sources = pipeline.list_indexed_sources()
        st.subheader("Documentos da sessão")
        if indexed_sources:
            for source_name in indexed_sources:
                st.markdown(f"- `{source_name}`")
        else:
            st.caption("Nenhum documento indexado nesta sessão.")

        if os.getenv("SPACE_ID"):
            st.caption(
                "ℹ️ Sessão isolada em armazenamento temporário no Hugging Face Spaces."
            )

        top_k = st.slider(
            "Trechos recuperados por pergunta",
            min_value=3,
            max_value=5,
            value=4,
            help="Quantidade de trechos mais relevantes enviados como contexto para a LLM.",
        )

        st.divider()
        col_clear_chat, col_clear_db = st.columns(2)
        with col_clear_chat:
            if st.button("Limpar conversa", use_container_width=True):
                st.session_state.messages = []
                st.rerun()
        with col_clear_db:
            if st.button("Limpar base", use_container_width=True, disabled=not indexed_sources):
                pipeline.clear_index()
                st.rerun()

    # Área principal: Chat
    st.header("💬 Converse com seus documentos")
    st.caption(
        "Os embeddings são gerados localmente (`all-MiniLM-L6-v2`). "
        "Suas chaves de API ficam apenas na memória da sua sessão."
    )

    if not st.session_state.messages:
        st.info(
            "1) Selecione o modo e informe sua chave de API na barra lateral. "
            "2) Envie e processe ao menos um PDF. 3) Faça sua pergunta abaixo."
        )

    for message in st.session_state.messages:
        with st.chat_message(message["role"]):
            st.markdown(message["content"])
            if message.get("used_fallback"):
                st.caption("⚡ Resposta gerada via fallback Groq (Gemini temporariamente indisponível).")
            if message["role"] == "assistant" and message.get("sources"):
                render_sources(message["sources"])

    if prompt := st.chat_input("Digite sua pergunta sobre os documentos..."):
        st.session_state.messages.append({"role": "user", "content": prompt})
        with st.chat_message("user"):
            st.markdown(prompt)

        gemini_key = st.session_state.byok_gemini_key if selected_mode in ("gemini", "gemini_groq") else None
        groq_key = st.session_state.byok_groq_key if selected_mode in ("groq", "gemini_groq") else None

        with st.chat_message("assistant"):
            used_fallback = False
            sources_payload: list[dict[str, object]] = []
            with st.spinner("Buscando trechos relevantes e gerando resposta..."):
                try:
                    llm_client = BYOKLLM(
                        mode=selected_mode,
                        gemini_api_key=gemini_key,
                        groq_api_key=groq_key,
                    )
                    pipeline.set_llm(llm_client)
                    rag_response = pipeline.ask(question=prompt, top_k=top_k)
                    answer_text = rag_response.answer
                    used_fallback = rag_response.used_fallback
                    sources_payload = [
                        {"source": s.source, "page": s.page, "excerpt": s.excerpt}
                        for s in rag_response.sources
                    ]
                except LLMConfigError as exc:
                    answer_text = f"⚠️ **Configuração necessária:** {exc}"
                except Exception as exc:
                    safe_err = sanitize_sensitive_text(str(exc), [gemini_key or "", groq_key or ""])
                    answer_text = f"❌ **Erro na geração da resposta:** {safe_err}"

            st.markdown(answer_text)
            if used_fallback:
                st.caption("⚡ Resposta gerada via fallback Groq (Gemini temporariamente indisponível).")
            render_sources(sources_payload)

        st.session_state.messages.append(
            {
                "role": "assistant",
                "content": answer_text,
                "sources": sources_payload,
                "used_fallback": used_fallback,
            }
        )


if __name__ == "__main__":
    main()