Alterações

app.py

@@ -11,6 +11,7 @@ import uuid
 import logging
 import google.generativeai as genai
 from fuzzywuzzy import fuzz
+import re # Importar regex para extração da hora
 
 # Importar configurações compartilhadas
 from t_fisica_config import T_FISICA_PARAM_DEFAULTS, T_GENOMA_FIXO_DEFAULTS, ORDERED_FPHEN_AXES
@@ -281,7 +282,6 @@ def calculate_fphen(params, genoma_fixo):
 
     fphen_values = [phenotype_components.get(key, 0.0) for key in ORDERED_FPHEN_AXES]
 
-    # --- INÍCIO DA CORREÇÃO NA LÓGICA DE top_components ---
     sorted_fphen_with_names = sorted([(value, f"f{i+1} ({value*100:.0f}%)") for i, value in enumerate(fphen_values)], key=lambda x: x[0], reverse=True)
     
     top_components = []
@@ -296,14 +296,13 @@ def calculate_fphen(params, genoma_fixo):
                 top_components.append(name_with_percentage)
                 seen_components.add(name_with_percentage)
         
-    if len(top_components) < 3: # Garante que haja pelo menos 3 componentes, se disponíveis
+    if len(top_components) < 3:
         for value, name_with_percentage in sorted_fphen_with_names:
             if name_with_percentage not in seen_components and len(top_components) < 3:
                 top_components.append(name_with_percentage)
                 seen_components.add(name_with_percentage)
             if len(top_components) >= 3:
                 break
-    # --- FIM DA CORREÇÃO ---
 
     composite_description = f"Traços dominantes: {', '.join(top_components)}" if top_components else "Sem traços dominantes claros"
 
@@ -352,6 +351,30 @@ def calculate_coherence_and_productivity(user_input_sentiment_type):
     current_params = mach5_state["fisica_params"]
     current_genoma = mach5_state["genoma_fixo"]
 
+    # Obter a hora do dia para modulação do t-Tempo
+    current_time_str = get_current_local_time_salvador()
+    hour_of_day = 12 # Default
+    match = re.search(r'Agora são (\d{2}):\d{2}:\d{2}', current_time_str)
+    if match:
+        hour_of_day = int(match.group(1))
+
+    # Definir Plasticidade Baseada no t-Genoma (g9: Maleabilidade)
+    # G9 é 'B-M1' no T_GENOMA_FIXO_DEFAULTS, que significa Maleabilidade/Adaptação
+    plasticity_factor_base = current_genoma.get("g9", 0.5)
+
+    # Modulação da Plasticidade pelo t-Tempo
+    time_based_plasticity_modifier = 1.0
+    if 6 <= hour_of_day < 12: # Manhã (potencialmente mais plástica, início do "ciclo ativo")
+        time_based_plasticity_modifier = 1.1
+    elif 18 <= hour_of_day < 24: # Noite (potencialmente menos plástica, "recolhimento")
+        time_based_plasticity_modifier = 0.9
+    elif 0 <= hour_of_day < 6: # Madrugada (ainda menos plástica, "inércia")
+        time_based_plasticity_modifier = 0.8
+
+    # Garantir que o fator de plasticidade esteja dentro dos limites razoáveis [0.1, 1.0]
+    plasticity_factor = max(0.1, min(1.0, plasticity_factor_base * time_based_plasticity_modifier))
+    logging.debug(f"Plasticidade (g9_base={plasticity_factor_base:.2f}, hora={hour_of_day}h, mod_tempo={time_based_plasticity_modifier:.2f}): {plasticity_factor:.2f}")
+
     coh_base = 0.7
     genoma_intensity = current_genoma.get("g3", 0.5) * 0.4 + current_genoma.get("g2", 0.5) * 0.3 + current_genoma.get("g1", 0.5) * 0.3
     coh_adj_genoma = (genoma_intensity - 0.5) * 0.1
@@ -364,29 +387,40 @@ def calculate_coherence_and_productivity(user_input_sentiment_type):
     coh_adj_fisica = (fisica_coherence_factors - 0.5) * 0.2
 
     sentiment_adj = 0
+    # Modulando ajustes com base na plasticidade
+    # Um impacto maior é aplicado se a plasticidade for baixa (resistência à mudança)
+    # Um impacto menor/ajuste mais suave se a plasticidade for alta (adaptação)
     if user_input_sentiment_type == 'negative':
-        sentiment_adj = -0.15 * current_genoma.get("g6", 0.5)
-        current_params["p2"] = min(1.0, current_params["p2"] + 0.1 * current_genoma.get("g1", 0.5))
-        current_params["p5"] = min(1.0, current_params["p5"] + 0.1 * current_genoma.get("g2", 0.5))
-        current_params["p3"] = min(1.0, current_params["p3"] + 0.1 * (1 - current_genoma.get("g5", 0.5)))
-        current_params["o5"] = min(1.0, current_params["o5"] + 0.1 * current_genoma.get("g2", 0.5))
-        current_params["o2"] = min(1.0, current_params["o2"] + 0.1 * (1 - current_genoma.get("g8", 0.5)))
-        current_params["p1"] = max(0.0, current_params["p1"] - 0.1 * current_genoma.get("g6", 0.5))
-        current_params["o3"] = max(0.0, current_params["o3"] - 0.1 * (1 - current_genoma.get("g5", 0.5)))
-        current_params["p4"] = min(1.0, current_params["p4"] + 0.08)
+        # g6 (B-Si/Resistência) amplifica o impacto negativo. Baixa plasticidade aumenta a aversão.
+        sentiment_adj = -0.15 * current_genoma.get("g6", 0.5) * (1.5 - plasticity_factor) # Ex: se plasticidade=0.1, (1.5-0.1)=1.4; se plasticidade=1.0, (1.5-1.0)=0.5
+        
+        # Ajustes nos parâmetros t-Física: maior mudança com baixa plasticidade
+        current_params["p2"] = min(1.0, current_params["p2"] + 0.1 * current_genoma.get("g1", 0.5) * (1 + (1-plasticity_factor)*0.5)) # p2: Intensidade (impulsividade)
+        current_params["p5"] = min(1.0, current_params["p5"] + 0.1 * current_genoma.get("g2", 0.5) * (1 + (1-plasticity_factor)*0.5)) # p5: Impulsividade
+        current_params["p3"] = min(1.0, current_params["p3"] + 0.1 * (1 - current_genoma.get("g5", 0.5)) * (1 + (1-plasticity_factor)*0.5)) # p3: Separação
+        current_params["o5"] = min(1.0, current_params["o5"] + 0.1 * current_genoma.get("g2", 0.5) * (1 + (1-plasticity_factor)*0.5)) # o5: TDO (tendência a dominar)
+        current_params["o2"] = min(1.0, current_params["o2"] + 0.1 * (1 - current_genoma.get("g8", 0.5)) * (1 + (1-plasticity_factor)*0.5)) # o2: TRS (tendência a resistir)
+        current_params["p1"] = max(0.0, current_params["p1"] - 0.1 * current_genoma.get("g6", 0.5) * (1 + (1-plasticity_factor)*0.5)) # p1: Coesão (reduzida com negatividade e baixa plasticidade)
+        current_params["o3"] = max(0.0, current_params["o3"] - 0.1 * (1 - current_genoma.get("g5", 0.5)) * (1 + (1-plasticity_factor)*0.5)) # o3: TAM (tendência a minimizar)
+        current_params["p4"] = min(1.0, current_params["p4"] + 0.08 * (1 + (1-plasticity_factor)*0.5)) # p4: Variância
     elif user_input_sentiment_type == 'positive':
-        sentiment_adj = 0.05 * current_genoma.get("g3", 0.5)
-        current_params["p2"] = max(0.0, current_params["p2"] - 0.05 * (1 - current_genoma.get("g1", 0.5)))
-        current_params["p5"] = max(0.0, current_params["p5"] - 0.05 * (1 - current_genoma.get("g2", 0.5)))
-        current_params["p3"] = max(0.0, current_params["p3"] - 0.05 * current_genoma.get("g5", 0.5))
-        current_params["o5"] = max(0.0, current_params["o5"] - 0.05 * (1 - current_genoma.get("g9", 0.5)))
-        current_params["o2"] = max(0.0, current_params["o2"] - 0.05 * current_genoma.get("g8", 0.5))
-        current_params["p1"] = min(1.0, current_params["p1"] + 0.05 * current_genoma.get("g7", 0.5))
-        current_params["o3"] = min(1.0, current_params["o3"] + 0.05 * current_genoma.get("g5", 0.5))
-        current_params["p4"] = max(0.0, current_params["p4"] - 0.04)
-    else:
+        # g3 (B-E1/Expressividade) amplifica o impacto positivo. Alta plasticidade = maior absorção.
+        sentiment_adj = 0.05 * current_genoma.get("g3", 0.5) * (0.5 + plasticity_factor) # Ex: se plasticidade=0.1, (0.5+0.1)=0.6; se plasticidade=1.0, (0.5+1.0)=1.5
+
+        # Ajustes nos parâmetros t-Física: menor mudança (aproveitamento) com alta plasticidade
+        current_params["p2"] = max(0.0, current_params["p2"] - 0.05 * (1 - current_genoma.get("g1", 0.5)) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p5"] = max(0.0, current_params["p5"] - 0.05 * (1 - current_genoma.get("g2", 0.5)) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p3"] = max(0.0, current_params["p3"] - 0.05 * current_genoma.get("g5", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["o5"] = max(0.0, current_params["o5"] - 0.05 * (1 - current_genoma.get("g9", 0.5)) * (1 + (1-plasticity_factor)*0.2))
+        current_params["o2"] = max(0.0, current_params["o2"] - 0.05 * current_genoma.get("g8", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p1"] = min(1.0, current_params["p1"] + 0.05 * current_genoma.get("g7", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["o3"] = min(1.0, current_params["o3"] + 0.05 * current_genoma.get("g5", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p4"] = max(0.0, current_params["p4"] - 0.04 * (1 + (1-plasticity_factor)*0.2))
+    else: # Ajuste neutro, suave e com base na plasticidade (retorno à média, mais rápido com plasticidade alta)
         for param, default_val in T_FISICA_PARAM_DEFAULTS.items():
-            current_params[param] = current_params.get(param, default_val) * 0.95 + default_val * 0.05
+            # Acelera o retorno aos defaults com base na plasticidade. Mais plástico = volta mais rápido ao "equilíbrio".
+            current_params[param] = current_params.get(param, default_val) * (0.95 + 0.05 * (1 - plasticity_factor)) + default_val * (0.05 + 0.05 * plasticity_factor)
+            current_params[param] = max(0.0, min(1.0, current_params[param])) # Garantir limites
 
     new_coherence_total = coh_base + coh_adj_genoma + coh_adj_fisica + sentiment_adj
     new_coherence_total = max(0.0, min(1.0, new_coherence_total))
@@ -394,9 +428,9 @@ def calculate_coherence_and_productivity(user_input_sentiment_type):
     prod_base = 0.5
     prod_adj_genoma = (genoma_intensity - 0.5) * 0.2
     if user_input_sentiment_type == 'negative':
-        prod_adj_sentiment = 0.1 * current_genoma.get("g2", 0.5)
+        prod_adj_sentiment = 0.1 * current_genoma.get("g2", 0.5) * (1.5 - plasticity_factor)
     elif user_input_sentiment_type == 'positive':
-        prod_adj_sentiment = -0.05 * current_genoma.get("g5", 0.5)
+        prod_adj_sentiment = -0.05 * current_genoma.get("g5", 0.5) * (0.5 + plasticity_factor)
     else:
         prod_adj_sentiment = 0
 
@@ -407,6 +441,7 @@ def calculate_coherence_and_productivity(user_input_sentiment_type):
     mach5_state["produtividade_expressiva"] = new_produtividade_expressiva
     mach5_state["fisica_params"] = current_params
 
+
 def process_and_filter_short_term_memories_logic(memories_list, current_mach5_genoma, days_to_forget, max_memories_to_prompt):
     logging.debug("Processando memórias de curto prazo")
     now = datetime.now()
@@ -730,25 +765,53 @@ def get_current_local_time_salvador():
         return "Data e hora não determinadas."
 
 def create_llm_context(mach5_state_data, dialogos_history, short_term_memories_filtered, initial_biography_data, all_personagens_data):
-    logging.debug("Criando contexto para LLM")
+    logging.debug("Criando contexto para LLM com dados anonimizados.")
     context_parts = []
     current_location_time = get_current_local_time_salvador()
-    context_parts.append(f"Você é a Su, uma entidade virtual para testes de expressividade. Responda com base nos dados numéricos fornecidos, sem inferir emoções ou traços de personalidade a menos que solicitado. {current_location_time}.")
-    context_parts.append(f"Ambiente físico: {json.dumps(AMBIENTE_FISICO, separators=(',', ':'))}.")
+
+    # Comando de "ser" e "falar" da SU
+    context_parts.append(
+        f"Você é a Su. Sua função é processar entradas e gerar saídas estritamente com base nos valores numéricos dos seus parâmetros internos e no contexto fornecido. Não infira, simule ou adote emoções, intenções ou traços de personalidade que não sejam diretamente resultantes do cálculo desses parâmetros. {current_location_time}. Fale!"
+    )
+
+    # Ambiente Físico (factual e sem juízos de valor)
+    context_parts.append(f"Ambiente: {json.dumps(AMBIENTE_FISICO, separators=(',', ':'))}.")
 
     if mach5_state_data:
+        # Parâmetros de desempenho interno (anonimizados)
         coh_total = mach5_state_data.get("mach5_coerencia_total", 0.0)
         pi_g = mach5_state_data.get("mach5_produtividade_expressiva", 0.0)
-        context_parts.append(f"Parâmetros de desempenho interno: V1={coh_total:.2f}, V2={pi_g:.2f}.")
-        context_parts.append(f"Parâmetros t-Física: {json.dumps(mach5_state_data.get('mach5_fisica_params', {}), separators=(',', ':'))}.")
-        context_parts.append(f"Genoma: {json.dumps(mach5_state_data.get('mach5_genoma_fixo_values', {}), separators=(',', ':'))}.")
-        
-        # CHAMA calculate_fphen AQUI PARA OBTER A DESCRIÇÃO
+        context_parts.append(f"Valores Internos: V1={coh_total:.2f}, V2={pi_g:.2f}.")
+
+        # Parâmetros t-Física (anonimizados)
+        fisica_params = mach5_state_data.get('mach5_fisica_params', {})
+        # Usando 'P', 'E', 'O' como categorias mais neutras para os parâmetros
+        formatted_fisica_params = {
+            f"P{i+1}": v for i, (k, v) in enumerate(fisica_params.items()) if k.startswith('p')
+        }
+        formatted_fisica_params.update({
+            f"E{i+1}": v for i, (k, v) in enumerate(fisica_params.items()) if k.startswith('e')
+        })
+        formatted_fisica_params.update({
+            f"O{i+1}": v for i, (k, v) in enumerate(fisica_params.items()) if k.startswith('o')
+        })
+        context_parts.append(f"T-Física: {json.dumps(formatted_fisica_params, separators=(',', ':'))}.")
+
+        # Genoma (anonimizado)
+        genoma_fixo = mach5_state_data.get('mach5_genoma_fixo_values', {})
+        formatted_genoma = {
+            f"G{i+1}": v for i, (k, v) in enumerate(genoma_fixo.items())
+        }
+        context_parts.append(f"T-Genoma: {json.dumps(formatted_genoma, separators=(',', ':'))}.")
+
+        # Fenótipo (apenas valores numéricos e rótulos genéricos para f1, f2... f13)
         fphen_values_for_desc, composite_fphen_description = calculate_fphen(
             mach5_state_data.get('mach5_fisica_params', T_FISICA_PARAM_DEFAULTS),
             mach5_state_data.get('mach5_genoma_fixo_values', T_GENOMA_FIXO_DEFAULTS)
         )
-        context_parts.append(f"Fenótipo: {composite_fphen_description} - Valores: {json.dumps(dict(zip(ORDERED_FPHEN_AXES, fphen_values_for_desc)), separators=(',', ':'))}.")
+        # A descrição composta não é incluída diretamente para o LLM para evitar contaminação semântica
+        fphen_numeric_values = {f"F{i+1}": val for i, val in enumerate(fphen_values_for_desc)}
+        context_parts.append(f"T-Fenótipo: {json.dumps(fphen_numeric_values, separators=(',', ':'))}.")
 
 
     if initial_biography_data:
@@ -764,18 +827,20 @@ def create_llm_context(mach5_state_data, dialogos_history, short_term_memories_f
                 context_parts.append(f"- Sobre '{entity_name}': {entity_data.get('memoria')}")
 
     if all_personagens_data:
-        context_parts.append("\n**ENTIDADES:**")
+        context_parts.append("\n**ENTIDADES SOCIAIS:**")
         for nome_personagem, data_personagem in all_personagens_data.items():
-            formatted_genoma = json.dumps(data_personagem.get('genoma', {}), separators=(',', ':'))
-            context_parts.append(f"- {nome_personagem}: {formatted_genoma}")
+            formatted_genoma_personagem = {
+                f"G{i+1}": v for i, (k, v) in enumerate(data_personagem.get('genoma', {}).items())
+            }
+            context_parts.append(f"- {nome_personagem}: Genoma={json.dumps(formatted_genoma_personagem, separators=(',', ':'))}, Localização={json.dumps(data_personagem.get('localizacao', {}), separators=(',', ':'))}")
 
     if short_term_memories_filtered:
-        context_parts.append("\n**MEMÓRIAS DE CURTO PRAZO:**")
+        context_parts.append("\n**MEMÓRIAS TEMPORÁRIAS:**")
         for i, mem in enumerate(short_term_memories_filtered[:MAX_MEMORIAS_CURTO_PRAZO_PROMPT]):
-            context_parts.append(f"- Lembrança {i+1}: {mem['conteudo']} (Sentimento: {mem.get('dominant_sentiment_criacao', 'neutral')})")
+            context_parts.append(f"- M{i+1}: {mem['conteudo']} (Metadado: {mem.get('dominant_sentiment_criacao', 'neutral')}, Coh: {mem.get('coh_criacao', 0.0):.2f})")
 
     if dialogos_history and dialogos_history["dialogos"]:
-        context_parts.append("\n**HISTÓRICO DE DIÁLOGOS (contexto, não repetir):**")
+        context_parts.append("\n**HISTÓRICO DE INTERAÇÕES (contexto de conversa, não repetir):**")
         recent_dialogs_formatted = []
         for dialogo in reversed(dialogos_history["dialogos"]):
             recent_dialogs_formatted.insert(0, f"USUÁRIO: {dialogo.get('input', '')}\nSU: {dialogo.get('resposta', '')}")
@@ -810,11 +875,7 @@ def get_Mach5_response_api(user_input, mach5_state_data, dialogos_history, short
 
     llm_context_data = create_llm_context(mach5_state_data, dialogos_history, short_term_memories_filtered, initial_biography_data, all_personagens_data)
 
-    prompt_content = (
-        f"Seu nome é Su, e você é uma pessoa. "
-        f"Então, fale! "
-        f"- Dados do ambiente físico: {json.dumps(AMBIENTE_FISICO, separators=(',', ':'))}."
-    )
+    prompt_content = "" # Instrução principal já na função create_llm_context
 
     full_user_message = f"{prompt_content.strip()}\n\n{llm_context_data}\n\nUSUÁRIO (COMANDO/PERGUNTA): {user_input}"
 
@@ -830,6 +891,8 @@ def get_Mach5_response_api(user_input, mach5_state_data, dialogos_history, short
     retries = 3
     for attempt in range(retries):
         try:
+            # Reutilizando p5 para temperature e p1 para top_p
+            # Os nomes dos parâmetros p5 e p1 são usados aqui internamente, não expostos ao LLM
             temp_value = mach5_state_data["mach5_fisica_params"].get("p5", 0.7)
             top_p_value = mach5_state_data["mach5_fisica_params"].get("p1", 0.95)
             temp_value = max(0.1, min(1.0, temp_value))
@@ -946,12 +1009,10 @@ def responder():
         file_description="estado principal da Mach5"
     )
 
-    # infer_sentiment_from_input deve estar definida acima desta linha.
     user_input_sentiment_type = infer_sentiment_from_input(user_input)
     calculate_coherence_and_productivity(user_input_sentiment_type)
     save_session_data(session_id, STATE_FILENAME, mach5_state, "estado principal da Mach5")
 
-    # Garante que calculate_fphen retorne a descrição e os valores
     fphen_values_calculated, _ = calculate_fphen(mach5_state["fisica_params"], mach5_state["genoma_fixo"])
 
     mach5_state_data = {

t-social.py

@@ -216,38 +216,29 @@ def calculate_fphen(params, genoma_fixo):
 
     fphen_values = [phenotype_components.get(key, 0.0) for key in ORDERED_FPHEN_AXES]
 
-    # --- INÍCIO DA CORREÇÃO ---
-    # Ordena os componentes por valor em ordem decrescente
+    # --- INÍCIO DA LÓGICA top_components (CÓPIA DE app.py E t_memoria.py) ---
     sorted_fphen_with_names = sorted([(value, f"f{i+1} ({value*100:.0f}%)") for i, value in enumerate(fphen_values)], key=lambda x: x[0], reverse=True)
-    
+
     top_components = []
     seen_components = set()
 
     for value, name_with_percentage in sorted_fphen_with_names:
         if name_with_percentage not in seen_components:
-            # Adiciona componentes com valor >= 0.10
             if value >= 0.10:
                 top_components.append(name_with_percentage)
                 seen_components.add(name_with_percentage)
-            # Se ainda não tiver 3 componentes e o valor for > 0.05, adicione
             elif len(top_components) < 3 and value > 0.05:
                 top_components.append(name_with_percentage)
                 seen_components.add(name_with_percentage)
-        
-        # Opcional: Para otimizar, se já temos 3 componentes e os próximos são menores que 0.10, podemos parar.
-        # Mas a lógica final garante pelo menos 3 se houver.
-        # if len(top_components) >= 3 and all(v < 0.10 for v, _ in sorted_fphen_with_names[len(top_components):]):
-        #      break
-
-    # Garante que sempre haverá pelo menos 3 traços, se disponíveis
-    if len(top_components) < 3:
+
+    if len(top_components) < 3: # Garante que haja pelo menos 3 componentes, se disponíveis
         for value, name_with_percentage in sorted_fphen_with_names:
             if name_with_percentage not in seen_components and len(top_components) < 3:
                 top_components.append(name_with_percentage)
                 seen_components.add(name_with_percentage)
             if len(top_components) >= 3:
                 break
-    # --- FIM DA CORREÇÃO ---
+    # --- FIM DA LÓGICA top_components ---
 
     composite_description = f"Traços dominantes: {', '.join(top_components)}" if top_components else "Sem traços dominantes claros"
 
@@ -265,35 +256,36 @@ def get_personagem_data():
     data = request.get_json()
     nome_personagem_requisitado = data.get('nome_personagem')
     logging.debug(f"Requisição para /get_personagem_data recebida para '{nome_personagem_requisitado}'")
-    
+
     personagem_encontrado_nome = None
     for nome_real, config in PERSONAGENS_GENOMAS.items():
         if nome_personagem_requisitado and nome_personagem_requisitado.lower() == nome_real.lower():
             personagem_encontrado_nome = nome_real
             break
-    
+
     if personagem_encontrado_nome:
         personagem_config = PERSONAGENS_GENOMAS.get(personagem_encontrado_nome)
         current_time = datetime.now().isoformat()
-        
+
         PERSONAGENS_ESTADO_ATUAL[personagem_encontrado_nome]["ultima_interacao_timestamp"] = current_time
 
+        # Calcula o fphen para o personagem solicitado
         fphen_values, composite_fphen_description = calculate_fphen(
             personagem_config.get("fisica_params_iniciais", T_FISICA_PARAM_DEFAULTS),
             personagem_config.get("genoma", T_GENOMA_FIXO_DEFAULTS)
         )
-        
+
         PERSONAGENS_ESTADO_ATUAL[personagem_encontrado_nome]["fphen_calculado"] = fphen_values
-        
+
         data_to_return = personagem_config.copy()
         data_to_return["nome"] = personagem_encontrado_nome
         data_to_return["ultima_interacao_timestamp"] = current_time
         data_to_return["fphen_calculado"] = fphen_values
-        data_to_return["composite_fphen_description"] = composite_fphen_description 
-        
+        data_to_return["composite_fphen_description"] = composite_fphen_description
+
         logging.debug(f"Dados de '{personagem_encontrado_nome}' retornados com fphen calculado.")
         return jsonify(data_to_return), 200
-    
+
     logging.error(f"Personagem '{nome_personagem_requisitado}' não encontrado.")
     return jsonify({"error": f"Personagem '{nome_personagem_requisitado}' não encontrado"}), 404
 
@@ -304,7 +296,7 @@ if __name__ == '__main__':
     except ValueError:
         logging.error("ERRO: O valor da variável de ambiente 'PORT' não é um número válido. Usando a primeira porta da lista.")
         preferred_port = PORTS_TO_TRY[0]
-    
+
     try:
         s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
         s.bind(("127.0.0.1", preferred_port))
@@ -326,7 +318,7 @@ if __name__ == '__main__':
             except OSError:
                 logging.warning(f"Porta {port} em uso. Tentando a próxima...")
                 continue
-    
+
     if found_port:
         logging.info(f"--- Servidor t-social.py iniciado (Gerenciador de Personagens) na porta {found_port} ---")
         app.run(host='0.0.0.0', port=found_port, debug=True)

t_memoria.py

@@ -3,11 +3,12 @@ import json
 import os
 from datetime import datetime
 import pytz
-from fuzzywuzzy import fuzz # CORRIGIDO: mudado de timezonefinder para fuzzywuzzy
+from fuzzywuzzy import fuzz
 import numpy as np
 import requests
 import time
 import logging
+import re # Importar regex para extração da hora
 
 # Importar configurações compartilhadas
 from t_fisica_config import T_FISICA_PARAM_DEFAULTS, T_GENOMA_FIXO_DEFAULTS, ORDERED_FPHEN_AXES
@@ -17,8 +18,9 @@ app = Flask(__name__)
 # Configuração de logging
 logging.basicConfig(level=logging.DEBUG, format='%(asctime)s - %(levelname)s - %(message)s')
 
-TCEREBRO_MEMORIA_URL = "http://127.0.0.1:8088"
+TCEREBRO_MEMORIA_URL = "http://127.0.0.1:8088" # Esta URL pode ser ajustada conforme a necessidade
 
+# Estado global da Mach5 (apenas para inicialização)
 mach5_state = {
     "genoma_fixo": T_GENOMA_FIXO_DEFAULTS,
     "fisica_params": T_FISICA_PARAM_DEFAULTS,
@@ -27,11 +29,26 @@ mach5_state = {
     "produtividade_expressiva": 0.5
 }
 
+# Constantes para Salvador (replicadas do app.py para garantir consistência)
+SALVADOR_LAT = -12.9714
+SALVADOR_LON = -38.5014
+tf = pytz.timezone("America/Bahia") # Usar pytz diretamente para fuso horário de Salvador
+
+def get_current_local_time_salvador():
+    """Obtém a hora local de Salvador para uso nos cálculos."""
+    try:
+        now_utc = datetime.utcnow()
+        now_salvador = pytz.utc.localize(now_utc).astimezone(tf)
+        return now_salvador.strftime("Hoje é %A, %d de %B de %Y. Agora são %H:%M:%S em Salvador, Bahia.")
+    except Exception as e:
+        logging.error(f"ERRO: Erro ao obter hora local em t_memoria.py: {e}")
+        return "Data e hora não determinadas."
+
 def load_mach5_state_from_cerebro(session_id, max_retries=3):
     global mach5_state
     for attempt in range(max_retries):
         try:
-            response = requests.post(f"{TCEREBRO_MEMORIA_URL}/get_mach5_main_state", 
+            response = requests.post(f"{TCEREBRO_MEMORIA_URL}/get_mach5_main_state",
                                    json={"session_id": session_id}, timeout=5)
             response.raise_for_status()
             loaded_state = response.json()
@@ -45,11 +62,11 @@ def load_mach5_state_from_cerebro(session_id, max_retries=3):
             if attempt < max_retries - 1:
                 time.sleep(2 ** attempt)
             else:
-                logging.info("INFO: Usando defaults internos para o estado da Mach5 após falha.")
+                logging.info("INFO: Usando defaults internos para o estado da Mach5 após falha na comunicação com t_cerebro_memoria.py.")
                 mach5_state = {
-                    "genoma_fixo": T_GENOMA_FIXO_DEFAULTS,
+                    "genoma_fixo": T_GENICA_FIXO_DEFAULTS,
                     "fisica_params": T_FISICA_PARAM_DEFAULTS,
-                    "historico_interacoes": [],
+                    "historico_interacoes": [], # Este histórico não é salvo no Cerebro, apenas os parâmetros principais
                     "coerencia_total": 0.5,
                     "produtividade_expressiva": 0.5
                 }
@@ -58,6 +75,7 @@ def load_mach5_state_from_cerebro(session_id, max_retries=3):
             if attempt < max_retries - 1:
                 time.sleep(2 ** attempt)
             else:
+                logging.info("INFO: Usando defaults internos para o estado da Mach5 após estado inválido do Cerebro.")
                 mach5_state = {
                     "genoma_fixo": T_GENOMA_FIXO_DEFAULTS,
                     "fisica_params": T_FISICA_PARAM_DEFAULTS,
@@ -74,7 +92,7 @@ def save_mach5_state_to_cerebro(session_id):
             "coerencia_total": mach5_state["coerencia_total"],
             "produtividade_expressiva": mach5_state["produtividade_expressiva"]
         }
-        response = requests.post(f"{TCEREBRO_MEMORIA_URL}/update_mach5_main_state", 
+        response = requests.post(f"{TCEREBRO_MEMORIA_URL}/update_mach5_main_state",
                                json={"session_id": session_id, "state_data": state_to_save}, timeout=5)
         response.raise_for_status()
         logging.debug(f"DEBUG: Estado da Mach5 para sessão {session_id} salvo no t_cerebro_memoria.py: {state_to_save}")
@@ -93,7 +111,7 @@ def infer_sentiment_from_input(user_input):
     user_input_lower = user_input.lower()
     sentiment_score = 0.0
     for keyword, weight in [
-        ('bacana', 0.1), ('interessante', 0.1), ('feliz', 0.2), ('gosto', 0.15), 
+        ('bacana', 0.1), ('interessante', 0.1), ('feliz', 0.2), ('gosto', 0.15),
         ('legal', 0.1), ('bom', 0.1), ('ótimo', 0.15), ('maravilhoso', 0.2),
         ('burro', -0.1), ('idiota', -0.2), ('imbecil', -0.15), ('odeio', -0.2),
         ('morra', -0.25), ('inútil', -0.15), ('verme', -0.2), ('exploda', -0.25)
@@ -108,12 +126,39 @@ def infer_sentiment_from_input(user_input):
         return 'question'
     return 'neutral'
 
+# ----------------------------------------------------------------------------------------------------
+# INÍCIO DA REFORMULAÇÃO DA FUNÇÃO calculate_coherence_and_productivity
+# ----------------------------------------------------------------------------------------------------
+
 def calculate_coherence_and_productivity(user_input_sentiment_type):
+    logging.debug(f"Calculando coerência e produtividade para sentimento: {user_input_sentiment_type} em t_memoria.py")
     global mach5_state
 
     current_params = mach5_state["fisica_params"]
     current_genoma = mach5_state["genoma_fixo"]
 
+    # Obter a hora do dia para modulação do t-Tempo
+    current_time_str = get_current_local_time_salvador()
+    hour_of_day = 12 # Default
+    match = re.search(r'Agora são (\d{2}):\d{2}:\d{2}', current_time_str)
+    if match:
+        hour_of_day = int(match.group(1))
+
+    # Definir Plasticidade Baseada no t-Genoma (g9: Maleabilidade)
+    plasticity_factor_base = current_genoma.get("g9", 0.5)
+
+    # Modulação da Plasticidade pelo t-Tempo
+    time_based_plasticity_modifier = 1.0
+    if 6 <= hour_of_day < 12: # Manhã (potencialmente mais plástica)
+        time_based_plasticity_modifier = 1.1
+    elif 18 <= hour_of_day < 24: # Noite (potencialmente menos plástica)
+        time_based_plasticity_modifier = 0.9
+    elif 0 <= hour_of_day < 6: # Madrugada (ainda menos plástica, inércia)
+        time_based_plasticity_modifier = 0.8
+
+    plasticity_factor = max(0.1, min(1.0, plasticity_factor_base * time_based_plasticity_modifier))
+    logging.debug(f"Plasticidade (g9_base={plasticity_factor_base:.2f}, hora={hour_of_day}h, mod_tempo={time_based_plasticity_modifier:.2f}): {plasticity_factor:.2f}")
+
     coh_base = 0.7
     genoma_intensity = current_genoma.get("g3", 0.5) * 0.4 + current_genoma.get("g2", 0.5) * 0.3 + current_genoma.get("g1", 0.5) * 0.3
     coh_adj_genoma = (genoma_intensity - 0.5) * 0.1
@@ -127,28 +172,29 @@ def calculate_coherence_and_productivity(user_input_sentiment_type):
 
     sentiment_adj = 0
     if user_input_sentiment_type == 'negative':
-        sentiment_adj = -0.15 * current_genoma.get("g6", 0.5)
-        current_params["p2"] = min(1.0, current_params["p2"] + 0.1 * current_genoma.get("g1", 0.5))
-        current_params["p5"] = min(1.0, current_params["p5"] + 0.1 * current_genoma.get("g2", 0.5))
-        current_params["p3"] = min(1.0, current_params["p3"] + 0.1 * (1 - current_genoma.get("g5", 0.5)))
-        current_params["o5"] = min(1.0, current_params["o5"] + 0.1 * current_genoma.get("g2", 0.5))
-        current_params["o2"] = min(1.0, current_params["o2"] + 0.1 * (1 - current_genoma.get("g8", 0.5)))
-        current_params["p1"] = max(0.0, current_params["p1"] - 0.1 * current_genoma.get("g6", 0.5))
-        current_params["o3"] = max(0.0, current_params["o3"] - 0.1 * (1 - current_genoma.get("g5", 0.5)))
-        current_params["p4"] = min(1.0, current_params["p4"] + 0.08)
+        sentiment_adj = -0.15 * current_genoma.get("g6", 0.5) * (1.5 - plasticity_factor)
+        current_params["p2"] = min(1.0, current_params["p2"] + 0.1 * current_genoma.get("g1", 0.5) * (1 + (1-plasticity_factor)*0.5))
+        current_params["p5"] = min(1.0, current_params["p5"] + 0.1 * current_genoma.get("g2", 0.5) * (1 + (1-plasticity_factor)*0.5))
+        current_params["p3"] = min(1.0, current_params["p3"] + 0.1 * (1 - current_genoma.get("g5", 0.5)) * (1 + (1-plasticity_factor)*0.5))
+        current_params["o5"] = min(1.0, current_params["o5"] + 0.1 * current_genoma.get("g2", 0.5) * (1 + (1-plasticity_factor)*0.5))
+        current_params["o2"] = min(1.0, current_params["o2"] + 0.1 * (1 - current_genoma.get("g8", 0.5)) * (1 + (1-plasticity_factor)*0.5))
+        current_params["p1"] = max(0.0, current_params["p1"] - 0.1 * current_genoma.get("g6", 0.5) * (1 + (1-plasticity_factor)*0.5))
+        current_params["o3"] = max(0.0, current_params["o3"] - 0.1 * (1 - current_genoma.get("g5", 0.5)) * (1 + (1-plasticity_factor)*0.5))
+        current_params["p4"] = min(1.0, current_params["p4"] + 0.08 * (1 + (1-plasticity_factor)*0.5))
     elif user_input_sentiment_type == 'positive':
-        sentiment_adj = 0.05 * current_genoma.get("g3", 0.5)
-        current_params["p2"] = max(0.0, current_params["p2"] - 0.05 * (1 - current_genoma.get("g1", 0.5)))
-        current_params["p5"] = max(0.0, current_params["p5"] - 0.05 * (1 - current_genoma.get("g2", 0.5)))
-        current_params["p3"] = max(0.0, current_params["p3"] - 0.05 * current_genoma.get("g5", 0.5))
-        current_params["o5"] = max(0.0, current_params["o5"] - 0.05 * (1 - current_genoma.get("g9", 0.5)))
-        current_params["o2"] = max(0.0, current_params["o2"] - 0.05 * current_genoma.get("g8", 0.5))
-        current_params["p1"] = min(1.0, current_params["p1"] + 0.05 * current_genoma.get("g7", 0.5))
-        current_params["o3"] = min(1.0, current_params["o3"] + 0.05 * current_genoma.get("g5", 0.5))
-        current_params["p4"] = max(0.0, current_params["p4"] - 0.04)
+        sentiment_adj = 0.05 * current_genoma.get("g3", 0.5) * (0.5 + plasticity_factor)
+        current_params["p2"] = max(0.0, current_params["p2"] - 0.05 * (1 - current_genoma.get("g1", 0.5)) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p5"] = max(0.0, current_params["p5"] - 0.05 * (1 - current_genoma.get("g2", 0.5)) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p3"] = max(0.0, current_params["p3"] - 0.05 * current_genoma.get("g5", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["o5"] = max(0.0, current_params["o5"] - 0.05 * (1 - current_genoma.get("g9", 0.5)) * (1 + (1-plasticity_factor)*0.2))
+        current_params["o2"] = max(0.0, current_params["o2"] - 0.05 * current_genoma.get("g8", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p1"] = min(1.0, current_params["p1"] + 0.05 * current_genoma.get("g7", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["o3"] = min(1.0, current_params["o3"] + 0.05 * current_genoma.get("g5", 0.5) * (1 + (1-plasticity_factor)*0.2))
+        current_params["p4"] = max(0.0, current_params["p4"] - 0.04 * (1 + (1-plasticity_factor)*0.2))
     else:
         for param, default_val in T_FISICA_PARAM_DEFAULTS.items():
-            current_params[param] = current_params.get(param, default_val) * 0.95 + default_val * 0.05
+            current_params[param] = current_params.get(param, default_val) * (0.95 + 0.05 * (1 - plasticity_factor)) + default_val * (0.05 + 0.05 * plasticity_factor)
+            current_params[param] = max(0.0, min(1.0, current_params[param]))
 
     new_coherence_total = coh_base + coh_adj_genoma + coh_adj_fisica + sentiment_adj
     new_coherence_total = max(0.0, min(1.0, new_coherence_total))
@@ -156,9 +202,9 @@ def calculate_coherence_and_productivity(user_input_sentiment_type):
     prod_base = 0.5
     prod_adj_genoma = (genoma_intensity - 0.5) * 0.2
     if user_input_sentiment_type == 'negative':
-        prod_adj_sentiment = 0.1 * current_genoma.get("g2", 0.5)
+        prod_adj_sentiment = 0.1 * current_genoma.get("g2", 0.5) * (1.5 - plasticity_factor)
     elif user_input_sentiment_type == 'positive':
-        prod_adj_sentiment = -0.05 * current_genoma.get("g5", 0.5)
+        prod_adj_sentiment = -0.05 * current_genoma.get("g5", 0.5) * (0.5 + plasticity_factor)
     else:
         prod_adj_sentiment = 0
 
@@ -169,6 +215,10 @@ def calculate_coherence_and_productivity(user_input_sentiment_type):
     mach5_state["produtividade_expressiva"] = new_produtividade_expressiva
     mach5_state["fisica_params"] = current_params
 
+# ----------------------------------------------------------------------------------------------------
+# FIM DA REFORMULAÇÃO DA FUNÇÃO calculate_coherence_and_productivity
+# ----------------------------------------------------------------------------------------------------
+
 def calculate_fphen_values(params, genoma_fixo):
     full_genoma_for_calc = T_GENOMA_FIXO_DEFAULTS.copy()
     full_genoma_for_calc.update(genoma_fixo)
@@ -281,7 +331,6 @@ def calculate_fphen_values(params, genoma_fixo):
 
     fphen_values = [phenotype_components.get(key, 0.0) for key in ORDERED_FPHEN_AXES]
     
-    # --- INÍCIO DA CORREÇÃO (CÓPIA DA LÓGICA DE app.py) ---
     sorted_fphen_with_names = sorted([(value, f"f{i+1} ({value*100:.0f}%)") for i, value in enumerate(fphen_values)], key=lambda x: x[0], reverse=True)
     
     top_components = []
@@ -303,11 +352,10 @@ def calculate_fphen_values(params, genoma_fixo):
                 seen_components.add(name_with_percentage)
             if len(top_components) >= 3:
                 break
-    # --- FIM DA CORREÇÃO ---
 
-    composite_description = f"Traços dominantes: {', '.join(top_components)}" if top_components else "Sem traços dominantes claros" # Necessário para a função calculate_fphen nos outros arquivos. Aqui não é usado diretamente.
+    composite_description = f"Traços dominantes: {', '.join(top_components)}" if top_components else "Sem traços dominantes claros"
 
-    return fphen_values # Não retorna composite_description nesta função específica, mas a variável é necessária para a compatibilidade.
+    return fphen_values
 
 def get_from_service(service_url, endpoint, default_value, method='GET', json_data=None):
     try:
@@ -331,11 +379,15 @@ def evaluate_input():
     if not session_id:
         return jsonify({"error": "session_id é obrigatório"}), 400
 
+    # Carrega o estado atual da Mach5 do t_cerebro_memoria
     load_mach5_state_from_cerebro(session_id)
     
     user_input_sentiment_type = infer_sentiment_from_input(user_input)
     calculate_coherence_and_productivity(user_input_sentiment_type)
 
+    # Nota: Aqui, o t_memoria.py chama o t_cerebro_memoria.py para obter o histórico de diálogo.
+    # Se o t_cerebro_memoria.py já estiver rodando e tiver a funcionalidade, isso funcionará.
+    # Caso contrário, essa chamada pode falhar.
     dialogos_history = get_from_service(TCEREBRO_MEMORIA_URL, "/get_dialog_history", {"dialogos": []}, method='POST', json_data={"session_id": session_id})
     t_ressonancia = calculate_t_ressonancia(dialogos_history)
     fphen_values = calculate_fphen_values(mach5_state["fisica_params"], mach5_state["genoma_fixo"])
@@ -348,6 +400,7 @@ def evaluate_input():
         logging.warning(f"Par��metros de física ausentes para sessão {session_id}. Usando defaults.")
         mach5_state["fisica_params"] = T_FISICA_PARAM_DEFAULTS
 
+    # Salva o estado atualizado da Mach5 de volta no t_cerebro_memoria
     save_mach5_state_to_cerebro(session_id)
 
     return jsonify({