Update app.py

app.py

@@ -1,5 +1,4 @@
 import os
-import json
 import gradio as gr
 import joblib
 import numpy as np
@@ -26,6 +25,7 @@ def train_small_baseline(save_path=BASELINE_PATH, max_samples=8000):
     from datasets import load_dataset
     import pandas as pd
 
+    # Carrega split de treino completo e amostra max_samples exemplos
     ds = load_dataset("amazon_polarity", split="train")
     ds_small = ds.shuffle(seed=42).select(range(max_samples))
 
@@ -44,6 +44,9 @@ def train_small_baseline(save_path=BASELINE_PATH, max_samples=8000):
 
 
 def load_baseline():
+    """
+    Carrega o baseline de disco ou treina um novo se não existir.
+    """
     if os.path.exists(BASELINE_PATH):
         return joblib.load(BASELINE_PATH)
     return train_small_baseline()
@@ -52,26 +55,29 @@ def load_baseline():
 baseline_model = load_baseline()
 
 
-def classify_sentiment(text: str):
+def classify_sentiment(text):
     """
-    Classifica o texto como positivo/negativo e retorna um dicionário Python.
+    Classifica o texto como positivo/negativo e devolve UMA STRING.
+    Exemplo:
+
+    Resultado da classificação:
+    Sentimento: positivo
+    Confiança: 0.942
     """
-    text = text.strip()
+    text = (text or "").strip()
     if not text:
-        return {"erro": "Digite algo para analisar."}
+        return "Erro: digite algo para analisar."
 
     proba = baseline_model.predict_proba([text])[0]
-    label = "positivo" if int(np.argmax(proba)) == 1 else "negativo"
+    pred = int(np.argmax(proba))
+    label = "positivo" if pred == 1 else "negativo"
     conf = float(np.max(proba))
-    return {"sentimento": label, "confianca": round(conf, 3)}
 
-
-def classify_sentiment_str(text: str) -> str:
-    """
-    Versão para a interface: devolve o resultado como string JSON formatada.
-    """
-    result = classify_sentiment(text)
-    return json.dumps(result, ensure_ascii=False, indent=2)
+    out = []
+    out.append("Resultado da classificação:")
+    out.append(f"Sentimento: {label}")
+    out.append(f"Confiança: {conf:.3f}")
+    return "\n".join(out)
 
 
 # ============================================================
@@ -93,22 +99,35 @@ SYSTEM_PROMPT = (
 )
 
 
-def build_prompt(history, user_msg: str, sentimento_json: dict) -> str:
+def detect_sentiment_raw(text):
+    """
+    Versão simplificada só para o chatbot.
+    Retorna (label, conf) ou (None, None) em caso de erro.
+    """
+    text = (text or "").strip()
+    if not text:
+        return None, None
+
+    proba = baseline_model.predict_proba([text])[0]
+    pred = int(np.argmax(proba))
+    label = "positivo" if pred == 1 else "negativo"
+    conf = float(np.max(proba))
+    return label, conf
+
+
+def build_prompt(history, user_msg, sent_label, sent_conf):
     """
     Monta o prompt para o FLAN-T5 usando histórico + sentimento.
-    Nada disso deve aparecer explicitamente na resposta.
+    Tudo aqui é texto simples.
     """
-    sentimento = sentimento_json.get("sentimento")
-    if not sentimento or "erro" in sentimento_json:
-        sentimento = "nao identificado"
 
-    if sentimento == "negativo":
+    if sent_label == "negativo":
         orientacao = (
             "O cliente está insatisfeito. Mostre empatia, peça desculpas, "
             "demonstre interesse em resolver e, se fizer sentido, peça "
             "dados adicionais (pedido, produto, canal de contato)."
         )
-    elif sentimento == "positivo":
+    elif sent_label == "positivo":
         orientacao = (
             "O cliente está satisfeito. Agradeça com entusiasmo, "
             "reforce os pontos positivos e convide o cliente a continuar "
@@ -120,19 +139,19 @@ def build_prompt(history, user_msg: str, sentimento_json: dict) -> str:
             "e prestativa, buscando ajudar o cliente."
         )
 
-    # Monta o histórico em texto simples
-    history_text = ""
+    hist_txt = ""
     if history:
         for u, b in history:
-            history_text += f"Cliente: {u}\nAtendente: {b}\n"
+            hist_txt += f"Cliente: {u}\nAtendente: {b}\n"
 
     prompt = (
         f"{SYSTEM_PROMPT}\n\n"
-        "Use as instruções abaixo apenas como contexto, sem citar explicitamente:\n"
-        f"- Sentimento detectado: {sentimento}\n"
-        f"- Orientação de tom: {orientacao}\n\n"
+        "Use as informações abaixo apenas como contexto, sem citá-las:"
+        f"\n- Sentimento detectado: {sent_label}"
+        f"\n- Confiança aproximada: {sent_conf}"
+        f"\n- Orientação de tom: {orientacao}\n\n"
         "Histórico da conversa (se houver):\n"
-        f"{history_text}\n"
+        f"{hist_txt}\n"
         "Nova mensagem do cliente:\n"
         f"Cliente: {user_msg}\n\n"
         "Escreva apenas a resposta do Atendente em português do Brasil."
@@ -141,24 +160,25 @@ def build_prompt(history, user_msg: str, sentimento_json: dict) -> str:
     return prompt
 
 
-def generate_reply(history, user_msg: str):
+def generate_reply(history, user_msg):
     """
-    - Classifica sentimento da nova mensagem
-    - Gera resposta usando FLAN-T5
-    - Atualiza o histórico
-    - Devolve também o sentimento como string para exibir na UI
+    Função usada pelo botão do chatbot.
+
+    - Recebe o histórico atual e a nova mensagem
+    - Detecta sentimento
+    - Gera resposta com FLAN-T5
+    - Retorna:
+        history_atualizado, "", texto_sentimento
     """
-    user_msg = user_msg.strip()
+    user_msg = (user_msg or "").strip()
     if not user_msg:
-        return history, "", "Digite uma mensagem antes de enviar."
+        return history, "", "Erro: digite uma mensagem antes de enviar."
 
-    sentimento = classify_sentiment(user_msg)
-    if "erro" in sentimento:
-        return history, "", json.dumps(sentimento, ensure_ascii=False, indent=2)
+    sent_label, sent_conf = detect_sentiment_raw(user_msg)
 
-    prompt = build_prompt(history, user_msg, sentimento)
+    prompt = build_prompt(history, user_msg, sent_label, sent_conf)
 
-    out = generator(
+    gen_out = generator(
         prompt,
         max_length=200,
         do_sample=True,
@@ -166,13 +186,24 @@ def generate_reply(history, user_msg: str):
         top_p=0.9,
     )[0]["generated_text"].strip()
 
-    new_history = history + [(user_msg, out)]
-    sentimento_str = json.dumps(sentimento, ensure_ascii=False, indent=2)
-    return new_history, "", sentimento_str
+    new_history = history + [(user_msg, gen_out)]
+
+    sentiment_text = (
+        "Sentimento detectado para a última mensagem:\n"
+        f"- Rótulo: {sent_label}\n"
+        f"- Confiança aproximada: {sent_conf:.3f}"
+        if sent_label is not None
+        else "Não foi possível detectar o sentimento."
+    )
+
+    # history → Chatbot
+    # ""      → limpa a caixa do usuário
+    # sentiment_text → textbox com sentimento
+    return new_history, "", sentiment_text
 
 
 # ============================================================
-# 3. Interface Gradio (sem gr.JSON)
+# 3. Interface Gradio (tipos simples + API desativada)
 # ============================================================
 
 with gr.Blocks(
@@ -193,7 +224,7 @@ with gr.Blocks(
         """
     )
 
-    # ---------- Aba 1: Análise isolada ----------
+    # ---------- Aba 1: Análise de Sentimento ----------
     with gr.Tab("Análise de Sentimento"):
         text_in = gr.Textbox(
             label="Digite um comentário",
@@ -201,14 +232,18 @@ with gr.Blocks(
             placeholder="Ex.: O produto chegou quebrado, fiquei muito chateado.",
         )
         text_out = gr.Textbox(
-            label="Resultado da classificação (JSON)",
+            label="Resultado da classificação",
             lines=4,
         )
         btn_analisar = gr.Button("Analisar sentimento", variant="primary")
 
-        btn_analisar.click(classify_sentiment_str, inputs=text_in, outputs=text_out)
+        btn_analisar.click(
+            fn=classify_sentiment,
+            inputs=text_in,
+            outputs=text_out,
+        )
 
-    # ---------- Aba 2: Chatbot com histórico ----------
+    # ---------- Aba 2: Chatbot (Análise + Resposta) ----------
     with gr.Tab("Chatbot (Análise + Resposta)"):
         chatbot = gr.Chatbot(
             label="Histórico de conversa com o atendente virtual",
@@ -220,15 +255,18 @@ with gr.Blocks(
             placeholder="Ex.: Estou chateado, o produto é ruim.",
         )
         sentimento_box = gr.Textbox(
-            label="Sentimento da última mensagem analisada (JSON)",
+            label="Sentimento da última mensagem",
             lines=4,
         )
         send_btn = gr.Button("Enviar e gerar resposta", variant="primary")
 
         send_btn.click(
-            generate_reply,
+            fn=generate_reply,
             inputs=[chatbot, user_box],
             outputs=[chatbot, user_box, sentimento_box],
         )
 
-demo.launch()
+
+if __name__ == "__main__":
+    # Usa fila do Gradio e desativa a API aberta (evita o bug "No API found")
+    demo.queue(api_open=False).launch()