Upload app.py

app.py

@@ -959,4 +959,90 @@ async def entity_graph_api(job_id: str = Form(...)):
         
     except Exception as e:
         logging.error(f"ERRO EM /entity_graph/: {e}", exc_info=True)
+        raise HTTPException(status_code=500, detail=str(e))
+
+
+# ==============================================================================
+# ENDPOINT ANÁLISE DO GRAFO COM LLM (SÁBIO)
+# ==============================================================================
+@app.post("/analyze_graph/")
+async def analyze_graph_api(job_id: str = Form(...)):
+    """
+    Usa o LLM para analisar o Knowledge Graph e extrair insights semânticos.
+    """
+    if job_id not in cache:
+        raise HTTPException(status_code=404, detail="Job ID não encontrado.")
+    
+    logging.info(f"Analisando grafo com LLM para Job: {job_id}")
+    
+    try:
+        cached_data = cache[job_id]
+        df = cached_data["df"]
+        textos = df["full_text"].tolist()
+        
+        # Extrair entidades e construir grafo
+        entities_by_doc = extract_entities(textos)
+        entity_network = build_entity_to_entity_graph(entities_by_doc)
+        
+        # Preparar resumo do grafo para o LLM
+        nodes = entity_network.get("nodes", [])[:15]
+        edges = entity_network.get("edges", [])[:20]
+        hubs = entity_network.get("hubs", [])[:5]
+        insights = entity_network.get("insights", {})
+        
+        graph_summary = f"""
+ANÁLISE DE KNOWLEDGE GRAPH
+
+## Visão Geral
+- {len(nodes)} entidades principais
+- {insights.get('total_connections', 0)} conexões totais
+- {insights.get('hub_count', 0)} hubs identificados
+
+## Entidades Principais (por importância):
+{chr(10).join([f"- {n['entity']} ({n['type']}): {n['docs']} docs, centralidade {n.get('centrality', 0)}" for n in nodes])}
+
+## Hubs Centrais (entidades mais conectadas):
+{chr(10).join([f"- {h['entity']} ({h['type']}): {h['degree']} conexões" for h in hubs]) if hubs else "Nenhum hub identificado"}
+
+## Conexões Mais Fortes:
+{chr(10).join([f"- {e['source_entity']} ↔ {e['target_entity']}: {e['weight']} co-ocorrências" for e in edges[:10]])}
+"""
+        
+        # Prompt para análise
+        prompt = f"""Você é um analista de inteligência especializado em análise de redes e grafos de conhecimento.
+
+Analise o seguinte Knowledge Graph extraído de documentos e forneça insights acionáveis:
+
+{graph_summary}
+
+Por favor forneça:
+1. **Narrativa Central**: Qual é a história principal que conecta estas entidades?
+2. **Atores Chave**: Quem são os principais players e qual seu papel?
+3. **Relações Ocultas**: Que conexões não-óbvias você identifica?
+4. **Padrões**: Algum padrão interessante nos tipos de entidades ou conexões?
+5. **Investigação**: O que valeria a pena investigar mais a fundo?
+
+Responda de forma concisa e acionável, como um briefing de inteligência."""
+
+        # Chamar LLM
+        completion = groq_client.chat.completions.create(
+            model="llama-3.3-70b-versatile",
+            messages=[{"role": "user", "content": prompt}],
+            temperature=0.7,
+            max_tokens=1500
+        )
+        
+        analysis = completion.choices[0].message.content
+        
+        return {
+            "analysis": analysis,
+            "graph_summary": {
+                "entities": len(nodes),
+                "connections": insights.get('total_connections', 0),
+                "hubs": len(hubs)
+            }
+        }
+        
+    except Exception as e:
+        logging.error(f"ERRO EM /analyze_graph/: {e}", exc_info=True)
         raise HTTPException(status_code=500, detail=str(e))