Update 0.01

app.py

@@ -1,76 +1,76 @@
-import os
-import gradio as gr
-from langchain.document_loaders import PyPDFDirectoryLoader
-from langchain.text_splitter import RecursiveCharacterTextSplitter
-from langchain.embeddings import HuggingFaceEmbeddings
-from langchain.vectorstores import FAISS
-from langchain.chains import RetrievalQA
-from langchain.llms import HuggingFaceHub
-
-# --- PASSO 1: CARREGAR OS DOCUMENTOS ---
-# Carrega todos os arquivos .pdf da pasta 'data'
-loader = PyPDFDirectoryLoader("data")
-documents = loader.load()
-
-# --- PASSO 2: PROCESSAR E DIVIDIR O TEXTO ---
-# Divide os documentos em pedaços menores (chunks) para facilitar a busca
-text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=150)
-docs = text_splitter.split_documents(documents)
-
-# --- PASSO 3: CRIAR EMBEDDINGS E O BANCO DE DADOS VETORIAL ---
-# Escolhe um modelo de embedding do Hugging Face. Este é ótimo para textos em português.
-model_name = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
-embeddings = HuggingFaceEmbeddings(model_name=model_name)
-
-# Cria o banco de dados vetorial (FAISS) a partir dos pedaços de texto e dos embeddings
-# Isso cria um "índice" que permite buscar os trechos mais relevantes rapidamente
-db = FAISS.from_documents(docs, embeddings)
-
-# --- PASSO 4: CONFIGURAR O MODELO DE LINGUAGEM (LLM) E A CADEIA DE BUSCA ---
-# Configura o acesso ao LLM do Hugging Face.
-# O token será lido automaticamente do segredo que você configurou no Space.
-repo_id = "mistralai/Mixtral-8x7B-Instruct-v0.1" # Um modelo poderoso
-llm = HuggingFaceHub(
-    repo_id=repo_id,
-    model_kwargs={"temperature": 0.1, "max_new_tokens": 512, "max_length": 4096}
-)
-
-# Cria a "cadeia" (chain) de RetrievalQA. É aqui que a mágica acontece.
-# Ele conecta o LLM com o banco de dados vetorial.
-qa_chain = RetrievalQA.from_chain_type(
-    llm=llm,
-    chain_type="stuff",
-    retriever=db.as_retriever(search_kwargs={"k": 3}), # Busca os 3 trechos mais relevantes
-    return_source_documents=True
-)
-
-# --- PASSO 5: CRIAR A INTERFACE COM O GRADIO ---
-# Define a função que será chamada pela interface
-def process_query(query):
-    result = qa_chain({"query": query})
-    # Retorna a resposta e, opcionalmente, as fontes que usou para responder
-    return result['result']
-
-# Cria a interface web
-with gr.Blocks() as demo:
-    gr.Markdown("# Assistente de Análise do Contrato DETRAN-RJ")
-    gr.Markdown("Faça uma pergunta sobre os documentos do contrato e o assistente buscará a resposta.")
-    
-    inp = gr.Textbox(label="Qual a sua pergunta?", placeholder="Ex: Qual o valor total do contrato?")
-    out = gr.Textbox(label="Resposta")
-    
-    inp.submit(process_query, inputs=inp, outputs=out)
-    
-    # Adiciona alguns exemplos de perguntas
-    gr.Examples(
-        examples=[
-            "Qual o objeto do contrato?",
-            "Qual o valor total do contrato?",
-            "Quem é o gestor do contrato?",
-            "Qual o prazo de vigência do contrato?",
-        ],
-        inputs=inp
-    )
-
-# Lança a aplicação
+import os
+import gradio as gr
+from langchain_community.document_loaders import PyPDFDirectoryLoader
+from langchain.text_splitter import RecursiveCharacterTextSplitter
+from langchain.embeddings import HuggingFaceEmbeddings
+from langchain.vectorstores import FAISS
+from langchain.chains import RetrievalQA
+from langchain.llms import HuggingFaceHub
+
+# --- PASSO 1: CARREGAR OS DOCUMENTOS ---
+# Carrega todos os arquivos .pdf da pasta 'data'
+loader = PyPDFDirectoryLoader("data")
+documents = loader.load()
+
+# --- PASSO 2: PROCESSAR E DIVIDIR O TEXTO ---
+# Divide os documentos em pedaços menores (chunks) para facilitar a busca
+text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=150)
+docs = text_splitter.split_documents(documents)
+
+# --- PASSO 3: CRIAR EMBEDDINGS E O BANCO DE DADOS VETORIAL ---
+# Escolhe um modelo de embedding do Hugging Face. Este é ótimo para textos em português.
+model_name = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
+embeddings = HuggingFaceEmbeddings(model_name=model_name)
+
+# Cria o banco de dados vetorial (FAISS) a partir dos pedaços de texto e dos embeddings
+# Isso cria um "índice" que permite buscar os trechos mais relevantes rapidamente
+db = FAISS.from_documents(docs, embeddings)
+
+# --- PASSO 4: CONFIGURAR O MODELO DE LINGUAGEM (LLM) E A CADEIA DE BUSCA ---
+# Configura o acesso ao LLM do Hugging Face.
+# O token será lido automaticamente do segredo que você configurou no Space.
+repo_id = "mistralai/Mixtral-8x7B-Instruct-v0.1" # Um modelo poderoso
+llm = HuggingFaceHub(
+    repo_id=repo_id,
+    model_kwargs={"temperature": 0.1, "max_new_tokens": 512, "max_length": 4096}
+)
+
+# Cria a "cadeia" (chain) de RetrievalQA. É aqui que a mágica acontece.
+# Ele conecta o LLM com o banco de dados vetorial.
+qa_chain = RetrievalQA.from_chain_type(
+    llm=llm,
+    chain_type="stuff",
+    retriever=db.as_retriever(search_kwargs={"k": 3}), # Busca os 3 trechos mais relevantes
+    return_source_documents=True
+)
+
+# --- PASSO 5: CRIAR A INTERFACE COM O GRADIO ---
+# Define a função que será chamada pela interface
+def process_query(query):
+    result = qa_chain({"query": query})
+    # Retorna a resposta e, opcionalmente, as fontes que usou para responder
+    return result['result']
+
+# Cria a interface web
+with gr.Blocks() as demo:
+    gr.Markdown("# Assistente de Análise do Contrato DETRAN-RJ")
+    gr.Markdown("Faça uma pergunta sobre os documentos do contrato e o assistente buscará a resposta.")
+    
+    inp = gr.Textbox(label="Qual a sua pergunta?", placeholder="Ex: Qual o valor total do contrato?")
+    out = gr.Textbox(label="Resposta")
+    
+    inp.submit(process_query, inputs=inp, outputs=out)
+    
+    # Adiciona alguns exemplos de perguntas
+    gr.Examples(
+        examples=[
+            "Qual o objeto do contrato?",
+            "Qual o valor total do contrato?",
+            "Quem é o gestor do contrato?",
+            "Qual o prazo de vigência do contrato?",
+        ],
+        inputs=inp
+    )
+
+# Lança a aplicação
 demo.launch()