Update app.py

app.py

@@ -18,7 +18,10 @@ BASELINE_PATH = "baseline_pipe.pkl"
 
 
 def train_small_baseline(save_path=BASELINE_PATH, max_samples=8000):
-    """Treina um baseline pequeno (caso o aluno não envie o .pkl)."""
+    """
+    Treina um baseline pequeno usando o dataset amazon_polarity.
+    Só é executado se baseline_pipe.pkl não existir no Space.
+    """
     from datasets import load_dataset
     import pandas as pd
 
@@ -27,10 +30,12 @@ def train_small_baseline(save_path=BASELINE_PATH, max_samples=8000):
 
     df = pd.DataFrame({"text": ds_small["content"], "label": ds_small["label"]})
 
-    pipe = Pipeline([
-        ("tfidf", TfidfVectorizer(max_features=25000, ngram_range=(1, 2))),
-        ("clf", LogisticRegression(max_iter=1200)),
-    ])
+    pipe = Pipeline(
+        [
+            ("tfidf", TfidfVectorizer(max_features=25000, ngram_range=(1, 2))),
+            ("clf", LogisticRegression(max_iter=1200)),
+        ]
+    )
 
     pipe.fit(df["text"], df["label"])
     joblib.dump(pipe, save_path)
@@ -46,125 +51,173 @@ def load_baseline():
 baseline_model = load_baseline()
 
 
-def classify_sentiment(text):
-    if not text.strip():
+def classify_sentiment(text: str):
+    """
+    Classifica o texto como positivo/negativo e retorna um dicionário.
+    """
+    text = text.strip()
+    if not text:
         return {"erro": "Digite algo para analisar."}
 
     proba = baseline_model.predict_proba([text])[0]
-    label = "positivo" if np.argmax(proba) == 1 else "negativo"
+    label = "positivo" if int(np.argmax(proba)) == 1 else "negativo"
     conf = float(np.max(proba))
     return {"sentimento": label, "confianca": round(conf, 3)}
 
 
 # ============================================================
-# 2. IA Generativa — LLaMA-3-8B-Instruct
+# 2. IA Generativa — FLAN-T5 (modelo aberto, sem token)
 # ============================================================
 
-GEN_MODEL = "meta-llama/Meta-Llama-3-8B-Instruct"
+GEN_MODEL = os.getenv("GEN_MODEL_ID", "google/flan-t5-base")
 
+# text2text-generation é o modo ideal para FLAN-T5
 generator = hf_pipeline(
-    "text-generation",
+    "text2text-generation",
     model=GEN_MODEL,
-    max_new_tokens=180,
-    temperature=0.5,
-    top_p=0.9
 )
 
-
-SYSTEM_PROMPT = """
-Você é um atendente virtual profissional, educado e empático.
-Responda sempre em português do Brasil, de forma natural
-e sem mencionar que é uma IA. Nunca justifique o processo interno.
-"""
+SYSTEM_PROMPT = (
+    "Você é um atendente virtual educado, empático e profissional "
+    "de uma loja online. Responda SEMPRE em português do Brasil, "
+    "com 2 a 4 frases claras, naturais e diretas. "
+    "Não mencione que é um modelo de IA e não explique o processo interno."
+)
 
 
-def build_final_prompt(history, user_msg, sentimento_json):
-    sentimento = sentimento_json.get("sentimento", "neutro")
+def build_prompt(history, user_msg: str, sentimento_json: dict) -> str:
+    """
+    Monta o prompt para o FLAN-T5 usando histórico + sentimento.
+    Nada disso deve aparecer explicitamente na resposta.
+    """
+    sentimento = sentimento_json.get("sentimento")
+    if not sentimento or "erro" in sentimento_json:
+        sentimento = "nao identificado"
 
     if sentimento == "negativo":
-        intent = """
-O cliente está insatisfeito. Mostre empatia, peça desculpas,
-demonstre interesse em resolver e peça informações adicionais.
-"""
+        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":
-        intent = """
-O cliente está satisfeito. Agradeça com entusiasmo,
-reforce os pontos positivos e demonstre proximidade.
-"""
+        orientacao = (
+            "O cliente está satisfeito. Agradeça com entusiasmo, "
+            "reforce os pontos positivos e convide o cliente a continuar "
+            "comprando ou usando o serviço."
+        )
     else:
-        intent = """
-Sentimento indefinido. Responda de forma neutra, cordial e prestativa.
-"""
-
-    history_text = "\n".join(
-        [f"Cliente: {msg[0]}\nAtendente: {msg[1]}" for msg in history]
+        orientacao = (
+            "O sentimento não está claro. Responda de forma neutra, cordial "
+            "e prestativa, buscando ajudar o cliente."
+        )
+
+    # Monta o histórico em texto simples
+    history_text = ""
+    if history:
+        for u, b in history:
+            history_text += 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"
+        "Histórico da conversa (se houver):\n"
+        f"{history_text}\n"
+        "Nova mensagem do cliente:\n"
+        f"Cliente: {user_msg}\n\n"
+        "Escreva apenas a resposta do Atendente em português do Brasil."
     )
 
-    final_prompt = f"""
-{SYSTEM_PROMPT}
-
-Contexto da conversa:
-{history_text}
-
-Instruções:
-{intent}
+    return prompt
 
-Mensagem do cliente:
-"{user_msg}"
 
-Gere uma resposta natural, com 2 a 4 frases.
-"""
+def generate_reply(history, user_msg: str):
+    """
+    - Classifica sentimento da nova mensagem
+    - Gera resposta usando FLAN-T5
+    - Atualiza o histórico
+    """
+    user_msg = user_msg.strip()
+    if not user_msg:
+        return history, "", "Digite uma mensagem antes de enviar."
 
-    return final_prompt
+    sentimento = classify_sentiment(user_msg)
+    if "erro" in sentimento:
+        return history, "", sentimento["erro"]
 
+    prompt = build_prompt(history, user_msg, sentimento)
 
-def chat_generate(history, user_input):
-    if not user_input.strip():
-        return history, "Digite uma mensagem."
+    out = generator(
+        prompt,
+        max_length=200,
+        do_sample=True,
+        temperature=0.7,
+        top_p=0.9,
+    )[0]["generated_text"].strip()
 
-    sentimento = classify_sentiment(user_input)
-    final_prompt = build_final_prompt(history, user_input, sentimento)
-
-    result = generator(final_prompt)[0]["generated_text"]
-
-    # Extrair somente a resposta final (remove prompt repetido)
-    if final_prompt in result:
-        result = result.split(final_prompt)[-1].strip()
-
-    history.append((user_input, result))
-    return history, result
+    # Atualiza histórico para o Chatbot
+    new_history = history + [(user_msg, out)]
+    # Limpa o campo de texto do usuário e também retornamos o JSON do sentimento
+    return new_history, "", sentimento
 
 
 # ============================================================
-# 3. Interface Gradio (compatível com HF antigo)
+# 3. Interface Gradio (compatível com HF Spaces)
 # ============================================================
 
-with gr.Blocks(title="Chatbot de Sentimentos - Prof. Rodrigo", theme=gr.themes.Default()) as demo:
+with gr.Blocks(
+    title="Chatbot de Sentimentos - Prof. Rodrigo",
+    theme=gr.themes.Default(),
+) as demo:
     gr.Markdown(
         """
 # Chatbot de Sentimentos (ML + IA Generativa)
+
 **Professor Rodrigo — Projeto Final ML & DL**
 
-- Classificação de sentimento com TF-IDF + Regressão Logística  
-- Respostas naturais geradas por LLaMA-3-8B-Instruct  
-- Suporte a histórico de conversa  
-- Envie `baseline_pipe.pkl` na aba **Files** caso tenha treinado seu próprio modelo  
+- Classificação: TF-IDF + Regressão Logística (baseline, `amazon_polarity`)  
+- Geração de resposta: `google/flan-t5-base` (modelo aberto, sem token)  
+- Histórico de conversa mantido na aba de chatbot  
+- Você pode enviar um `baseline_pipe.pkl` na aba **Files** do Space para usar
+  um modelo de sentimentos treinado pelo seu grupo.
         """
     )
 
+    # ----------------- Aba 1: Análise isolada -----------------
     with gr.Tab("Análise de Sentimento"):
-        text_in = gr.Textbox(label="Digite um comentário", lines=4)
-        text_out = gr.JSON(label="Resultado")
-        btn_analisar = gr.Button("Analisar sentimento")
-        btn_analisar.click(classify_sentiment, inputs=text_in, outputs=text_out)
+        text_in = gr.Textbox(
+            label="Digite um comentário",
+            lines=4,
+            placeholder="Ex.: O produto chegou quebrado, fiquei muito chateado.",
+        )
+        text_out = gr.JSON(label="Resultado da classificação")
+        btn_analisar = gr.Button("Analisar sentimento", variant="primary")
 
-    with gr.Tab("Chatbot (Conversação + Resposta)"):
-        chatbot = gr.Chatbot(label="Histórico de conversa")
-        user_box = gr.Textbox(label="Mensagem do cliente", lines=3)
-        send_btn = gr.Button("Enviar e gerar resposta")
+        btn_analisar.click(classify_sentiment, inputs=text_in, outputs=text_out)
 
-        send_btn.click(chat_generate,
-                       inputs=[chatbot, user_box],
-                       outputs=[chatbot, user_box])
+    # ----------------- Aba 2: Chatbot com histórico -----------------
+    with gr.Tab("Chatbot (Análise + Resposta)"):
+        chatbot = gr.Chatbot(
+            label="Histórico de conversa com o atendente virtual",
+            height=400,
+        )
+        user_box = gr.Textbox(
+            label="Mensagem do cliente",
+            lines=3,
+            placeholder="Ex.: Estou chateado, o produto é ruim.",
+        )
+        sentimento_box = gr.JSON(
+            label="Sentimento da última mensagem analisada",
+        )
+        send_btn = gr.Button("Enviar e gerar resposta", variant="primary")
+
+        # Quando clicar, gera resposta + atualiza histórico + mostra sentimento
+        send_btn.click(
+            generate_reply,
+            inputs=[chatbot, user_box],
+            outputs=[chatbot, user_box, sentimento_box],
+        )
 
 demo.launch()