Update app.py

app.py

@@ -26,10 +26,7 @@ def train_small_baseline(save_path: str = BASELINE_PATH,
     from datasets import load_dataset
     import pandas as pd
 
-    # Carrega o split de treino inteiro
     ds = load_dataset("amazon_polarity", split="train")
-
-    # Embaralha e pega apenas max_samples exemplos (para ficar leve)
     ds_small = ds.shuffle(seed=42).select(range(min(max_samples, len(ds))))
 
     df = pd.DataFrame(
@@ -90,123 +87,209 @@ def classify_only(text: str):
 
 
 # ======================================================================
-# 2. IA Generativa (FLAN-T5) para resposta ao cliente
+# 2. IA Generativa (LLaMA 3) para resposta ao cliente
 # ======================================================================
 
-GEN_MODEL_ID = os.getenv("GEN_MODEL_ID", "google/flan-t5-base")
-
-generator = hf_pipeline("text2text-generation", model=GEN_MODEL_ID)
+# Troque por outro modelo se quiser algo mais leve
+GEN_MODEL_ID = os.getenv(
+    "GEN_MODEL_ID",
+    "meta-llama/Meta-Llama-3-8B-Instruct",
+)
 
-SYSTEM_PROMPT = (
-    "Voce e um atendente virtual educado que responde em portugues do Brasil. "
-    "Use poucas frases, tom empatico e pratico."
+generator = hf_pipeline(
+    "text-generation",
+    model=GEN_MODEL_ID,
+    tokenizer=GEN_MODEL_ID,
 )
 
 
-def generate_reply(user_text: str, sentimento_json):
+def build_prompt(history, user_text, sentimento_json):
     """
-    Gera uma resposta em PT-BR condicionada ao sentimento detectado.
+    Constroi um prompt amigavel para LLaMA 3, usando historico + sentimento.
+    NENHUMA referencia a processo interno aparece na resposta.
     """
-    if not user_text or user_text.strip() == "":
-        return "Digite uma mensagem."
-
     sentimento = None
     confianca = None
-
     if isinstance(sentimento_json, dict):
-        sentimento = sentimento_json.get("sentimento", None)
-        confianca = sentimento_json.get("confianca", None)
+        sentimento = sentimento_json.get("sentimento")
+        confianca = sentimento_json.get("confianca")
 
     if sentimento is None:
         sentimento = "nao identificado"
 
-    # Prompt estruturado para evitar meta-respostas
-    prompt = f"""
-### CONTEXTO DO SISTEMA ###
-{SYSTEM_PROMPT}
-Voce e um atendente virtual profissional e empatico.
-Nunca explique instrucoes internas e nunca repita este texto.
+    # Cabecalho de instrucao (o modelo ve, o cliente nao)
+    prompt = (
+        "Você é um atendente virtual educado, empático e profissional "
+        "de uma loja online. Responda SEMPRE em português do Brasil, "
+        "usando entre 2 e 4 frases curtas, claras e naturais.\n\n"
+        "Informação de contexto (não revele isso na resposta): "
+        f"a última mensagem do cliente foi classificada com sentimento "
+        f"'{sentimento}' (confiança {confianca}). "
+        "Use isso apenas para ajustar o tom (mais empático se negativo, "
+        "mais entusiasmado se positivo), mas não mencione a palavra "
+        "'sentimento', 'classificação' ou 'modelo'.\n\n"
+        "Histórico da conversa:\n"
+    )
 
-### ORIENTACAO ###
-- Responda sempre em PORTUGUES DO BRASIL.
-- Use entre 2 e 4 frases.
-- Seja empatico em mensagens negativas.
-- Seja caloroso em mensagens positivas.
-- Seja neutro e cordial se o sentimento nao for claro.
+    # Historico anterior
+    if history:
+        for user, bot in history:
+            prompt += f"Cliente: {user}\n"
+            prompt += f"Atendente: {bot}\n"
 
-### DADOS DA ANALISE ###
-Sentimento detectado: {sentimento}
-Confianca do classificador: {confianca}
+    # Nova mensagem
+    prompt += f"Cliente: {user_text}\n"
+    prompt += "Atendente:"
 
-Mensagem do cliente:
-\"\"\"{user_text}\"\"\"
+    return prompt
 
 
-### RESPOSTA FINAL ###
-Gere apenas a resposta ao cliente, sem comentarios adicionais.
-"""
+def generate_reply_with_history(history, user_text, sentimento_json):
+    """
+    Gera uma resposta levando em conta historico + sentimento.
+    """
+    if not user_text or user_text.strip() == "":
+        return "Digite uma mensagem."
+
+    prompt = build_prompt(history, user_text, sentimento_json)
 
-    out = generator(
+    outputs = generator(
         prompt,
-        max_length=128,
-        do_sample=True,
-        temperature=0.6,
+        max_new_tokens=160,
+        temperature=0.7,
         top_p=0.9,
-    )[0]["generated_text"]
+        do_sample=True,
+        return_full_text=False,
+    )
+
+    reply = outputs[0]["generated_text"]
+    return reply.strip()
+
+
+# ======================================================================
+# 3. Função de passo do Chatbot (para o Gradio)
+# ======================================================================
+
+def chatbot_step(history, user_text):
+    """
+    - Analisa sentimento da nova mensagem
+    - Gera resposta com LLaMA 3
+    - Atualiza historico
+    """
+    if not user_text or user_text.strip() == "":
+        return history, "", {}, history
 
-    return out
+    sentiment = classify_only(user_text)
+    reply = generate_reply_with_history(history, user_text, sentiment)
+
+    if history is None:
+        history = []
+
+    history = history + [(user_text, reply)]
+
+    return history, "", sentiment, history
 
 
 # ======================================================================
-# 3. Interface Gradio - duas abas (Analise e Chatbot)
+# 4. Interface Gradio - abas, design e historico
 # ======================================================================
 
-with gr.Blocks(title="Chatbot de Sentimentos - Professor Rodrigo") as demo:
+with gr.Blocks(
+    title="Chatbot de Sentimentos - Professor Rodrigo",
+    theme=gr.themes.Default().set(
+        border_radius="8px",
+        shadow_drop="small",
+        font=["Inter", "system-ui", "sans-serif"],
+    ),
+    css="""
+    #header-markdown h1 { font-size: 1.8rem; }
+    #header-markdown p { font-size: 0.95rem; }
+    """
+) as demo:
     gr.Markdown(
         """
+<div id="header-markdown">
+
 # Chatbot de Sentimentos (ML + IA Generativa)
-**Professor Rodrigo** - Projeto Final ML & DL
 
-- Classificacao: TF-IDF + Regressao Logistica (baseline).
-- Geracao: `google/flan-t5-base` para redigir respostas em PT-BR.
+**Professor Rodrigo** — Projeto Final de Machine Learning & Deep Learning
 
-> Dica: envie `baseline_pipe.pkl` na aba *Files* para usar um modelo treinado por voce.
-        """
+- Classificação: TF-IDF + Regressão Logística (baseline).
+- Geração: modelo `LLaMA 3` (Instruct) para respostas em PT-BR.
+
+> Dica didática: envie **`baseline_pipe.pkl`** na aba *Files* do Space
+> para usar um modelo de sentimentos treinado pelo seu grupo.
+
+</div>
+        """,
+        elem_id="header-markdown",
     )
 
-    # Aba 1 - somente analise de sentimento
-    with gr.Tab("Analise de Sentimento"):
-        input_text = gr.Textbox(
-            label="Digite uma avaliacao de produto",
-            lines=4,
-            placeholder="Ex.: O produto chegou rapido e superou minhas expectativas.",
-        )
-        output_json = gr.JSON(label="Resultado da classificacao")
-        btn_analisar = gr.Button("Analisar")
+    with gr.Tab("Análise de Sentimento (isolada)"):
+        with gr.Row():
+            with gr.Column(scale=3):
+                input_text = gr.Textbox(
+                    label="Digite uma avaliação de produto",
+                    lines=5,
+                    placeholder=(
+                        "Ex.: O produto chegou rápido e superou minhas expectativas "
+                        "ou: O produto chegou quebrado, estou muito chateado."
+                    ),
+                )
+                btn_analisar = gr.Button("Analisar sentimento", variant="primary")
+            with gr.Column(scale=2):
+                output_json = gr.JSON(
+                    label="Resultado da classificação (baseline)",
+                )
+
         btn_analisar.click(classify_only, inputs=input_text, outputs=output_json)
 
-    # Aba 2 - Chatbot (analise + resposta generativa)
-    with gr.Tab("Chatbot (Analise + Resposta)"):
-        chat_input = gr.Textbox(
-            label="Mensagem do cliente",
-            lines=4,
-            placeholder="Ex.: Estou chateado, o produto chegou quebrado.",
-        )
+    with gr.Tab("Chatbot (Análise + Resposta com histórico)"):
         with gr.Row():
-            btn_analise_chat = gr.Button("1) Analisar sentimento")
-            btn_resposta = gr.Button("2) Gerar resposta")
-
-        chat_analysis = gr.JSON(label="Sentimento detectado")
-        chat_reply = gr.Textbox(
-            label="Resposta gerada pela IA",
-            lines=6,
+            with gr.Column(scale=3):
+                chat_history = gr.Chatbot(
+                    label="Conversa com o atendente virtual",
+                    height=400,
+                )
+                user_input = gr.Textbox(
+                    label="Mensagem do cliente",
+                    lines=4,
+                    placeholder="Ex.: Estou chateado, o produto é ruim.",
+                )
+                with gr.Row():
+                    send_btn = gr.Button("Enviar", variant="primary")
+                    clear_btn = gr.Button("Limpar conversa")
+
+            with gr.Column(scale=2):
+                last_sentiment = gr.JSON(
+                    label="Sentimento da última mensagem",
+                )
+                gr.Markdown(
+                    """
+**Como funciona esta aba?**
+
+1. O cliente envia uma mensagem.
+2. O baseline classifica o sentimento (positivo/negativo).
+3. O modelo LLaMA 3 gera uma resposta empática, usando o sentimento apenas como contexto.
+4. O histórico da conversa é mantido e influencia as respostas seguintes.
+                    """
+                )
+
+        state_history = gr.State([])
+
+        send_btn.click(
+            chatbot_step,
+            inputs=[state_history, user_input],
+            outputs=[chat_history, user_input, last_sentiment, state_history],
         )
 
-        btn_analise_chat.click(
-            classify_only, inputs=chat_input, outputs=chat_analysis
-        )
-        btn_resposta.click(
-            generate_reply, inputs=[chat_input, chat_analysis], outputs=chat_reply
+        def clear_chat():
+            return [], {}, []
+
+        clear_btn.click(
+            clear_chat,
+            inputs=None,
+            outputs=[chat_history, last_sentiment, state_history],
         )