modules/lstm_memory_system.py

# type: ignore
"""

================================================================================

AKIRA V21 ULTIMATE - LSTM MEMORY SYSTEM (MENTAL CONTEXT LAYER)

================================================================================

Sistema de memória LSTM (Long Short-Term Memory) que funciona completamente

transparente. Resumos mentais ocultos, contexto dual (direto + histórico),

isolamento total por usuário/grupo, integração com PersonaTracker.



Features:

- Resumos mentais ocultos (LSTM Virtual via embeddings + summarization)

- Contexto Dual: Direto (reply atual) + Geral (LSTM histórico)

- Armazenamento em DB com recuperação automática

- Isolamento total por contexto (PV vs Grupos)

- Integração com PersonaTracker para perfil dinâmico

- Sem exposição ao usuário (100% mental)

- Recuperação automática quando modelo precisa



Arquitetura:

1. Mensagem entra → short_term_memory (100 mensagens) 

2. LSTM processa silenciosamente → creates mental summary

3. Summary armazenado em DB (lstm_contexto table)

4. Quando model precisa contexto → recupera automaticamente via SQL

5. PersonaTracker atualiza perfil baseado em LSTM



Example (User Doesn't See This):

  User: "Fale tudo sobre anemia falciforme"

  [LSTM MENTAL SUMMARY - HIDDEN]:

    topic: "anemia falciforme",

    subtopics: ["genética", "hemoglobina", "sangue"],

    conversation_path: ["introdução", "definição"],

    last_context: "aguardando pergunta sobre cura/tratamento"

    

  User: "cura? tratamento?"

  [LSTM SEARCHES CONTEXT]:

    ✓ Topic detected: "anemia falciforme" (from mental summary)

    ✓ Context understood: Pergunta é sobre a doença anterior

    ✓ Model responde naturalmente com contexto correto

================================================================================

"""

import os
import sys
import json
import time
import threading
import hashlib
import sqlite3
import logging
from pathlib import Path
from typing import Optional, Dict, Any, List, Tuple
from dataclasses import dataclass, field, asdict
from datetime import datetime, timedelta
from collections import defaultdict
import re

# Imports robustos com fallback
try:
    from . import config
    from .database import Database
    from .context_isolation import ContextIsolationManager, ConversationContext
    from .short_term_memory import ShortTermMemory, MessageWithContext
    LSTM_MEMORY_AVAILABLE = True
except ImportError:
    try:
        import modules.config as config
        from modules.database import Database
        from modules.context_isolation import ContextIsolationManager, ConversationContext
        from modules.short_term_memory import ShortTermMemory, MessageWithContext
        LSTM_MEMORY_AVAILABLE = True
    except ImportError:
        LSTM_MEMORY_AVAILABLE = False
        config = None
        Database = None
        ContextIsolationManager = None

logger = logging.getLogger(__name__)

# ============================================================
# ESTRUTURA DE DADOS LSTM
# ============================================================

@dataclass
class LSTMContextSummary:
    """

    Resumo mental oculto de uma conversa (não visível para usuário).

    Armazenado em DB para recuperação automática.

    

    Attributes:

        context_id: ID do contexto (PV ou Grupo)

        numero_usuario: Número do usuário

        topic_principal: Tópico principal atual

        subtopicas: Lista de subtópicos discutidos

        conversation_path: Sequência de tópicos (histórico mental)

        last_key_message: Última mensagem-chave para retomada

        emotional_state: Estado emocional detectado

        interaction_pattern: Padrão de interação (perguntador, storyteller, etc)

        context_switches: Mudanças de contexto detectadas

        unanswered_questions: Perguntas não respondidas pendentes

        assumed_knowledge: Conhecimento que o usuário demonstra ter

        contradictions: Contradições ou mudanças de opinião

        created_at: Quando foi criado

        last_updated: Última atualização

        metadata: Dados adicionais

    """
    context_id: str
    numero_usuario: str
    topic_principal: Optional[str] = None
    subtopicas: List[str] = field(default_factory=list)
    conversation_path: List[str] = field(default_factory=list)
    last_key_message: Optional[str] = None
    emotional_state: str = "neutral"
    interaction_pattern: str = "unknown"
    context_switches: int = 0
    unanswered_questions: List[Dict[str, str]] = field(default_factory=list)
    assumed_knowledge: List[str] = field(default_factory=list)
    contradictions: List[Dict[str, Any]] = field(default_factory=list)
    created_at: float = field(default_factory=time.time)
    last_updated: float = field(default_factory=time.time)
    metadata: Dict[str, Any] = field(default_factory=dict)
    
    def to_dict(self) -> Dict[str, Any]:
        """Converte para dicionário serializável."""
        return asdict(self)
    
    def to_json(self) -> str:
        """Converte para JSON."""
        return json.dumps(self.to_dict(), ensure_ascii=False, default=str)
    
    @classmethod
    def from_dict(cls, data: Dict[str, Any]) -> 'LSTMContextSummary':
        """Cria instância a partir de dicionário."""
        return cls(**data)
    
    @classmethod
    def from_json(cls, json_str: str) -> 'LSTMContextSummary':
        """Cria instância a partir de JSON."""
        data = json.loads(json_str)
        return cls.from_dict(data)


# ============================================================
# LSTM MEMORY SYSTEM - CORE
# ============================================================

class LSTMMemorySystem:
    """

    Sistema de memória LSTM que funciona completamente transparente.

    

    Responsabilidades:

    1. Criar resumos mentais de conversas (sem exposição)

    2. Manter contexto dual (direto + histórico)

    3. Detectar tópicos, mudanças de contexto, perguntas pendentes

    4. Armazenar em DB para recuperação automática

    5. Integrar com isolamento de contexto

    6. Permitir busca automática quando modelo precisa

    """
    
    def __init__(self, db: Database, context_isolation: ContextIsolationManager):
        """

        Args:

            db: Instance da Database

            context_isolation: Instance de ContextIsolationManager

        """
        self.db = db
        self.context_isolation = context_isolation
        
        # Cache em memória de resumos LSTM (para rápido acesso)
        self.lstm_cache: Dict[str, LSTMContextSummary] = {}
        self.cache_lock = threading.Lock()
        
        # Queue de processamento assíncrono
        self.processing_queue: List[Dict[str, Any]] = []
        self.processing_lock = threading.Lock()
        
        # ✅ PROTEÇÃO CONTRA DUPLICAÇÃO: Track mensagens processadas recentemente
        self.recently_processed: Dict[str, float] = {}  # {hash(context+user+msg): timestamp}
        self.dedup_timeout = 5  # Segundos - evita duplicação em 5s
        
        # Inicializar tabelas no DB
        self._initialize_database()
        
        logger.info("✅ LSTM Memory System inicializado")
    
    def _initialize_database(self) -> None:
        """Cria tabelas necessárias no banco de dados."""
        try:
            # As tabelas já são criadas pelo database.py _init_db().
            # Aqui apenas garantimos redundância segura com o esquema oficial.
            self.db._execute_with_retry("""

                CREATE TABLE IF NOT EXISTS lstm_contexto (

                    context_id VARCHAR(255) NOT NULL,

                    numero_usuario VARCHAR(50) NOT NULL,

                    topic_principal VARCHAR(255),

                    subtopicas TEXT,

                    conversation_path TEXT,

                    last_key_message TEXT,

                    emotional_state TEXT DEFAULT 'neutral',

                    interaction_pattern TEXT DEFAULT 'unknown',

                    context_switches INTEGER DEFAULT 0,

                    unanswered_questions TEXT,

                    assumed_knowledge TEXT,

                    contradictions TEXT,

                    created_at REAL,

                    last_updated REAL,

                    metadata TEXT,

                    PRIMARY KEY (context_id, numero_usuario)

                )

            """, commit=True)
            
            self.db._execute_with_retry("""

                CREATE TABLE IF NOT EXISTS lstm_message_links (

                    id INTEGER PRIMARY KEY AUTOINCREMENT,

                    context_id VARCHAR(255) NOT NULL,

                    message_id VARCHAR(255) NOT NULL,

                    numero_usuario VARCHAR(50) NOT NULL,

                    parent_message_id VARCHAR(255),

                    topic_changed BOOLEAN DEFAULT FALSE,

                    context_switch_type VARCHAR(50),

                    relevance_score FLOAT DEFAULT 1.0,

                    created_at REAL,

                    FOREIGN KEY (context_id, numero_usuario) REFERENCES lstm_contexto(context_id, numero_usuario) ON DELETE CASCADE

                )

            """, commit=True)
            
            logger.info("✅ Tabelas LSTM sincronizadas")
        except Exception as e:
            logger.error(f"❌ Erro ao inicializar tabelas LSTM: {e}")
    
    # ========================================================
    # CORE LSTM PROCESSING
    # ========================================================
    
    def process_message_async(

        self, 

        context_id: str,

        numero_usuario: str,

        message: str,

        role: str = "user",

        parent_message_id: Optional[str] = None,

        llm_client: Optional[Any] = None

    ) -> None:
        """

        Processa mensagem de forma assíncrona para extrair contexto LSTM.

        Não bloqueia a resposta. Funciona em background thread.

        

        ✅ Proteção: Evita duplicação em 5 segundos

        

        Args:

            context_id: ID do contexto (PV ou Grupo)

            numero_usuario: ID do usuário

            message: Conteúdo da mensagem

            role: "user" ou "assistant"

            parent_message_id: ID da mensagem anterior (para linked context)

            llm_client: Client LLM para análise (opcional)

        """
        # ✅ DEDUPLICATION: Verifica se a mensagem já foi processada recentemente
        import hashlib
        if message_id:
            msg_hash = hashlib.md5(f"msgid:{message_id}".encode()).hexdigest()
        else:
            msg_hash = hashlib.md5(f"{context_id}:{numero_usuario}:{message[:100]}".encode()).hexdigest()
        
        now = time.time()
        
        # Limpa entries expiradas
        expired = [k for k, v in self.recently_processed.items() if now - v > self.dedup_timeout]
        for k in expired:
            del self.recently_processed[k]
        
        # Verifica se já foi processada recentemente
        if msg_hash in self.recently_processed:
            logger.debug(f"⚠️ [LSTM DEDUP] Mensagem duplicada ignorada: {message[:50]}...")
            return
        
        # Marca como processada
        self.recently_processed[msg_hash] = now
        
        # Adiciona à queue para processamento assíncrono
        with self.processing_lock:
            self.processing_queue.append({
                'context_id': context_id,
                'numero_usuario': numero_usuario,
                'message': message,
                'role': role,
                'parent_message_id': parent_message_id,
                'timestamp': now
            })
        
        # Dispara thread de processamento se não estiver rodando
        if not hasattr(self, '_processing_thread_active'):
            self._start_processing_thread(llm_client)
    
    def _start_processing_thread(self, llm_client: Optional[Any] = None) -> None:
        """Inicia thread de processamento assíncrono."""
        def process_worker():
            while True:
                with self.processing_lock:
                    if not self.processing_queue:
                        break
                    item = self.processing_queue.pop(0)
                
                try:
                    self._process_message_internal(item, llm_client)
                except Exception as e:
                    logger.warning(f"⚠️ Erro ao processar LSTM: {e}")
        
        thread = threading.Thread(target=process_worker, daemon=True)
        thread.start()
    
    def _process_message_internal(

        self, 

        item: Dict[str, Any],

        llm_client: Optional[Any] = None

    ) -> None:
        """

        Processa mensagem internamente.

        Extrai tema, contexto, perguntas, etc.

        """
        context_id = item['context_id']
        numero_usuario = item['numero_usuario']
        message = item['message']
        role = item['role']
        parent_message_id = item.get('parent_message_id')
        
        # Recuperar ou criar resumo LSTM
        lstm_summary = self._get_or_create_lstm_summary(context_id, numero_usuario)
        
        # ✅ ANÁLISE 1: Detectar tópico principal
        new_topic = self._extract_topic(message)
        
        # ✅ ANÁLISE 2: Detectar mudança de contexto
        if new_topic and lstm_summary.topic_principal != new_topic:
            lstm_summary.context_switches += 1
            lstm_summary.conversation_path.append(new_topic)
            lstm_summary.topic_principal = new_topic
            
            # Armazenar link entre mensagens
            self._record_context_switch(context_id, numero_usuario, parent_message_id, new_topic)
        
        # ✅ ANÁLISE 3: Adicionar subtópicos
        subtopics = self._extract_subtopics(message, new_topic)
        for sub in subtopics:
            if sub not in lstm_summary.subtopicas:
                lstm_summary.subtopicas.append(sub)
        
        # ✅ ANÁLISE 4: Detectar perguntas pendentes
        if role == "user" and self._is_question(message):
            lstm_summary.unanswered_questions.append({
                'question': message,
                'timestamp': time.time(),
                'parent_message': parent_message_id
            })
        
        # ✅ ANÁLISE 5: Detectar padrão de interação
        lstm_summary.interaction_pattern = self._detect_interaction_pattern(
            message, role, lstm_summary
        )
        
        # ✅ ANÁLISE 6: Extrair conhecimento observado
        knowledge = self._extract_assumed_knowledge(message)
        for k in knowledge:
            if k not in lstm_summary.assumed_knowledge:
                lstm_summary.assumed_knowledge.append(k)
        
        # ✅ ANÁLISE 7: Detectar contradições ou mudanças
        contradictions = self._detect_contradictions(
            message, lstm_summary.assumed_knowledge
        )
        if contradictions:
            lstm_summary.contradictions.extend(contradictions)
        
        # ✅ ANÁLISE 8: Guardar mensagem-chave para retomada
        if self._is_key_message(message, role):
            lstm_summary.last_key_message = f"{role}: {message[:100]}"
        
        # Atualizar timestamp
        lstm_summary.last_updated = time.time()
        
        # Salvar no DB
        self._save_lstm_summary(lstm_summary)
        
        # Atualizar cache
        with self.cache_lock:
            self.lstm_cache[context_id] = lstm_summary
    
    # ========================================================
    # ANÁLISE E EXTRAÇÃO
    # ========================================================
    
    def _extract_topic(self, message: str) -> Optional[str]:
        """

        Extrai tema principal da mensagem.

        Uses simples regex patterns + key phrase detection.

        """
        message_lower = message.lower().strip()
        
        # Detects via keywords comuns
        keywords_map = {
            'anemia falciforme': ['anemia', 'falciforme', 'hemoglobina', 'sangue'],
            'cura/tratamento': ['cura', 'tratamento', 'medicação', 'terapia'],
            'política': ['presidente', 'eleição', 'política', 'governo', 'ministro'],
            'clima': ['tempo', 'chuva', 'temperatura', 'previsão', 'clima'],
            'saúde': ['doença', 'médico', 'hospital', 'sintomas', 'saúde'],
        }
        
        for topic, keywords in keywords_map.items():
            if any(kw in message_lower for kw in keywords):
                return topic
        
        # Se não detectar via keywords, tenta extrair primeira entidade nomeada
        # (simplificado - em produção usaria NER)
        if len(message.split()) >= 3:
            # Pega primeiras 3-4 palavras como possível tema
            words = message.split()[:4]
            if all(w[0].isupper() for w in words if w):
                return ' '.join(words)
        
        return None
    
    def _extract_subtopics(self, message: str, main_topic: Optional[str]) -> List[str]:
        """Extrai subtópicos mencionados."""
        subtopics = []
        message_lower = message.lower()
        
        # Padrões simples para detecção de subtópicos
        patterns = {
            'causas': ['porque', 'causa', 'origem', 'motivo'],
            'sintomas': ['sintoma', 'sinto', 'dor', 'febre', 'crise'],
            'prevenção': ['prevenir', 'prevenção', 'evitar', 'proteção'],
            'complicações': ['complicação', 'risco', 'morte', 'consequência'],
            'história': ['história', 'origem', 'histórico', 'quando começou'],
            'tratamento': ['tratamento', 'medicação', 'remédio', 'terapia'],
        }
        
        for subtopic, keywords in patterns.items():
            if any(kw in message_lower for kw in keywords):
                subtopics.append(subtopic)
        
        return subtopics
    
    def _is_question(self, message: str) -> bool:
        """Detecta se mensagem é uma pergunta."""
        message = message.strip()
        # Detecta ? ou gírias de perguntas
        return (
            message.endswith('?') or
            message.lower().startswith(('qual', 'quem', 'quando', 'onde', 'por que',
                                       'como', 'quanto', 'cura', 'tratamento'))
        )
    
    def _detect_interaction_pattern(

        self, 

        message: str, 

        role: str,

        lstm_summary: LSTMContextSummary

    ) -> str:
        """

        Detecta padrão de interação do usuário.

        Exemplos: "perguntador", "explicador", "discordante", "concorda", etc.

        """
        if role != "user":
            return lstm_summary.interaction_pattern
        
        message_lower = message.lower()
        
        # Contadores simples
        if self._is_question(message):
            return "perguntador"
        elif any(w in message_lower for w in ['estou triste', 'deprimido', 'é ruim', 'horrível']):
            return "expressivo_negativo"
        elif any(w in message_lower for w in ['adorei', 'ótimo', 'perfeito', 'amei']):
            return "expressivo_positivo"
        elif any(w in message_lower for w in ['discordo', 'não acho', 'errado', 'talvez']):
            return "discordante"
        elif any(w in message_lower for w in ['concordo', 'é verdade', 'exatamente']):
            return "concordante"
        elif len(message.split()) > 20:
            return "narrativo"
        else:
            return lstm_summary.interaction_pattern or "casual"
    
    def _extract_assumed_knowledge(self, message: str) -> List[str]:
        """

        Extrai conhecimento que o usuário demonstra ter.

        Detecta conceitos que ele mencionou como se já soubesse.

        """
        knowledge = []
        message_lower = message.lower()
        
        # Conhecimento técnico/científico
        if any(w in message_lower for w in ['hemoglobina', 'hemácias', 'globina', 'mutação']):
            knowledge.append("conhece_biologia_basica")
        
        if any(w in message_lower for w in ['genético', 'hereditário', 'cromossomo']):
            knowledge.append("conhece_genetica")
        
        if any(w in message_lower for w in ['RDC', 'MPLA', 'eleições']):
            knowledge.append("conhece_politica_angola")
        
        if any(w in message_lower for w in ['UTC', 'fuso horário', 'timezone']):
            knowledge.append("conhece_timezones")
        
        return knowledge
    
    def _detect_contradictions(

        self, 

        message: str,

        assumed_knowledge: List[str]

    ) -> List[Dict[str, Any]]:
        """

        Detecta contradições entre o que o usuário disse antes e agora.

        Exemplo: "Anemia falciforme é fácil de tratar" vs "Não há cura"

        """
        contradictions = []
        message_lower = message.lower()
        
        # Padrões simples de contradição
        if "fácil" in message_lower and any(
            w in message_lower for w in ['não há', 'sem cura', 'incurável']
        ):
            contradictions.append({
                'type': 'difficulty_contradiction',
                'current_message': message[:50]
            })
        
        return contradictions
    
    def _is_key_message(self, message: str, role: str) -> bool:
        """

        Detecta se é uma "mensagem-chave" para retomada de contexto.

        Exemplos: Perguntas importantes, pedidos de esclarecimento, mudança de tema.

        """
        if role == "user":
            return (
                self._is_question(message) and len(message.split()) <= 10 or
                any(w in message.lower() for w in ['cura', 'tratamento', 'então', 'mas', 'porquê'])
            )
        return False
    
    # ========================================================
    # ARMAZENAMENTO E RECUPERAÇÃO
    # ========================================================
    
    def _get_or_create_lstm_summary(

        self,

        context_id: str,

        numero_usuario: str

    ) -> LSTMContextSummary:
        """Recupera ou cria novo resumo LSTM."""
        # Verificar cache primeiro
        with self.cache_lock:
            if context_id in self.lstm_cache:
                return self.lstm_cache[context_id]
        
        # Tentar recuperar do DB
        try:
            rows = self.db._execute_with_retry(
                "SELECT metadata FROM lstm_contexto WHERE context_id = ?",
                (context_id,)
            )
            
            if rows and len(rows) > 0:
                result = rows[0]
                raw = result[0] if isinstance(result, (tuple, list)) else dict(result).get('metadata')
                if raw:
                    data = json.loads(raw) if isinstance(raw, str) else raw
                    summary = LSTMContextSummary.from_dict(data)
                else:
                    summary = LSTMContextSummary(
                        context_id=context_id,
                        numero_usuario=numero_usuario
                    )
                    self._save_lstm_summary(summary)
            else:
                # Criar novo
                summary = LSTMContextSummary(
                    context_id=context_id,
                    numero_usuario=numero_usuario
                )
                self._save_lstm_summary(summary)
            
            # Cachear
            with self.cache_lock:
                self.lstm_cache[context_id] = summary
            
            return summary
        
        except Exception as e:
            logger.error(f"❌ Erro ao recuperar LSTM summary: {e}")
            # Fallback: criar novo
            return LSTMContextSummary(
                context_id=context_id,
                numero_usuario=numero_usuario
            )
    
    def _save_lstm_summary(self, summary: LSTMContextSummary) -> None:
        """Salva resumo LSTM no DB."""
        try:
            self.db._execute_with_retry("""

                INSERT OR REPLACE INTO lstm_contexto 

                (context_id, numero_usuario, topic_principal, subtopicas, 

                 conversation_path, last_key_message, emotional_state, 

                 interaction_pattern, context_switches, unanswered_questions,

                 assumed_knowledge, contradictions, created_at, last_updated, metadata)

                VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?)

            """, (
                summary.context_id,
                summary.numero_usuario,
                summary.topic_principal,
                json.dumps(summary.subtopicas, ensure_ascii=False),
                json.dumps(summary.conversation_path, ensure_ascii=False),
                summary.last_key_message,
                summary.emotional_state,
                summary.interaction_pattern,
                summary.context_switches,
                json.dumps(summary.unanswered_questions, ensure_ascii=False, default=str),
                json.dumps(summary.assumed_knowledge, ensure_ascii=False),
                json.dumps(summary.contradictions, ensure_ascii=False, default=str),
                summary.created_at,
                summary.last_updated,
                summary.to_json()
            ), commit=True)
            
            logger.debug(f"✅ LSTM summary salvo: {summary.context_id}")
        
        except Exception as e:
            logger.error(f"❌ Erro ao salvar LSTM summary: {e}")
    
    def _record_context_switch(

        self,

        context_id: str,

        numero_usuario: str,

        parent_message_id: Optional[str],

        new_topic: str

    ) -> None:
        """Registra mudança de contexto/tópico."""
        try:
            # Gera um ID temporário se não houver
            msg_id = f"switch_{int(time.time())}_{hashlib.md5(new_topic.encode()).hexdigest()[:8]}"
            
            self.db._execute_with_retry("""

                INSERT INTO lstm_message_links

                (context_id, message_id, numero_usuario, parent_message_id, topic_changed, 

                 context_switch_type, created_at)

                VALUES (?, ?, ?, ?, ?, ?, ?)

            """, (
                context_id,
                msg_id,
                numero_usuario,
                parent_message_id,
                True,
                'topic_change',
                time.time()
            ), commit=True)
        except Exception as e:
            logger.warning(f"⚠️ Erro ao registrar context switch: {e}")
    
    # ========================================================
    # RECUPERAÇÃO AUTOMÁTICA PARA MODELO
    # ========================================================
    
    def get_lstm_context_for_model(

        self,

        context_id: str,

        numero_usuario: str,

        use_summarization: bool = True

    ) -> Dict[str, Any]:
        """

        Recupera contexto LSTM para o modelo usar.

        Chamado automaticamente pelo modelo quando precisa de contexto.

        

        Retorna contexto mental completo sem exposição ao usuário.

        

        Args:

            context_id: ID do contexto

            numero_usuario: ID do usuário

            use_summarization: Se deve summarizar para embeddings

            

        Returns:

            Dicionário com contexto LSTM completo

        """
        summary = self._get_or_create_lstm_summary(context_id, numero_usuario)
        
        context_dict = {
            'context_id': context_id,
            'topic_principal': summary.topic_principal,
            'subtopicas': summary.subtopicas,
            'conversation_path': summary.conversation_path,
            'last_key_message': summary.last_key_message,
            'emotional_state': summary.emotional_state,
            'interaction_pattern': summary.interaction_pattern,
            'context_switches': summary.context_switches,
            'unanswered_questions': summary.unanswered_questions,
            'assumed_knowledge': summary.assumed_knowledge,
        }
        
        # Se quiser usar para embeddings/similarity
        if use_summarization:
            context_dict['mental_summary_text'] = self._create_mental_summary_text(summary)
        
        return context_dict
    
    def _create_mental_summary_text(self, summary: LSTMContextSummary) -> str:
        """

        Cria texto resumido mental para uso em embeddings/similarity.

        Totalmente oculto do usuário.

        """
        parts = []
        
        if summary.topic_principal:
            parts.append(f"Topic: {summary.topic_principal}")
        
        if summary.subtopicas:
            parts.append(f"Subtopics: {', '.join(summary.subtopicas)}")
        
        if summary.assumed_knowledge:
            parts.append(f"User knows about: {', '.join(summary.assumed_knowledge)}")
        
        if summary.unanswered_questions:
            questions = [q.get('question', '')[:50] for q in summary.unanswered_questions[-3:]]
            parts.append(f"Pending: {'; '.join(questions)}")
        
        if summary.interaction_pattern and summary.interaction_pattern != 'unknown':
            parts.append(f"Pattern: {summary.interaction_pattern}")
        
        return " | ".join(parts)
    
    # ========================================================
    # QUERIES E BUSCAS
    # ========================================================
    
    def search_related_contexts(

        self,

        numero_usuario: str,

        query: str,

        limit: int = 5

    ) -> List[Dict[str, Any]]:
        """

        Busca contextos relacionados ao usuário baseado em query.

        Usado quando modelo precisa encontrar conversas relevantes.

        

        Args:

            numero_usuario: ID do usuário

            query: Query de busca (ex: "anemia falciforme")

            limit: Máximo de resultados

            

        Returns:

            Lista de contextos relacionados

        """
        try:
            results = self.db._execute_with_retry("""

                SELECT context_id, topic_principal, subtopicas, 

                       last_key_message, last_updated

                FROM lstm_contexto

                WHERE numero_usuario = ?

                AND (topic_principal LIKE ? OR subtopicas LIKE ? 

                     OR assumed_knowledge LIKE ?)

                ORDER BY last_updated DESC

                LIMIT ?

            """, (
                numero_usuario,
                f"%{query}%",
                f"%{query}%",
                f"%{query}%",
                limit
            ))
            
            contexts = []
            for row in (results or []):
                contexts.append({
                    'context_id': row[0],
                    'topic': row[1],
                    'subtopics': json.loads(row[2]) if row[2] else [],
                    'last_message': row[3],
                    'last_interaction': row[4]
                })
            
            return contexts
        
        except Exception as e:
            logger.error(f"❌ Erro ao buscar contextos relacionados: {e}")
            return []
    
    def get_conversation_history_with_context(

        self,

        context_id: str,

        last_n_messages: int = 20

    ) -> Dict[str, Any]:
        """

        Recupera histórico completo de conversa com contexto LSTM.

        Útil para recarregar conversa com máximo contexto.

        

        Args:

            context_id: ID do contexto

            last_n_messages: Últimas N mensagens a incluir

            

        Returns:

            Dicionário com histórico + contexto mental

        """
        # Recuperar LSTM
        lstm_context = self._get_or_create_lstm_summary(
            context_id,
            ""  # numero_usuario será recuperado do LSTM
        )
        
        # Recuperar mensagens (via short_term_memory ou DB)
        try:
            rows = self.db._execute_with_retry("""

                SELECT usuario, mensagem, resposta, created_at

                FROM mensagens

                WHERE conversation_id = ?

                ORDER BY id DESC

                LIMIT ?

            """, (context_id, last_n_messages))
            
            messages = []
            for m in reversed(rows or []):
                if m[1]:  # mensagem do user
                    messages.append({'role': 'user', 'content': m[1], 'timestamp': m[3]})
                if m[2]:  # resposta do assistant
                    messages.append({'role': 'assistant', 'content': m[2], 'timestamp': m[3]})
        except Exception:
            messages = []
        
        return {
            'context_id': context_id,
            'lstm_context': lstm_context.to_dict(),
            'messages': messages,
            'mental_summary': self._create_mental_summary_text(lstm_context)
        }


# ============================================================
# SINGLETON GLOBAL
# ============================================================

_lstm_memory_instance: Optional[LSTMMemorySystem] = None
_lstm_memory_lock = threading.Lock()

def get_lstm_memory_system(

    db: Optional[Database] = None,

    context_isolation: Optional[ContextIsolationManager] = None

) -> Optional[LSTMMemorySystem]:
    """

    Obtém instância singleton do LSTM Memory System.

    

    Args:

        db: Database instance (opcional, usa global se não fornecido)

        context_isolation: ContextIsolationManager instance (opcional)

        

    Returns:

        Instância do LSTMMemorySystem ou None se indisponível

    """
    global _lstm_memory_instance
    
    if _lstm_memory_instance is not None:
        return _lstm_memory_instance
    
    if not LSTM_MEMORY_AVAILABLE:
        logger.warning("⚠️ LSTM Memory System não está disponível")
        return None
    
    with _lstm_memory_lock:
        if _lstm_memory_instance is not None:
            return _lstm_memory_instance
        
        try:
            if db is None:
                db_path = getattr(config, 'DB_PATH', None) or 'data/akira.db'
                db = Database(str(db_path))
            
            if context_isolation is None:
                context_isolation = ContextIsolationManager()
            
            _lstm_memory_instance = LSTMMemorySystem(db, context_isolation)
            logger.info("✅ LSTM Memory System singleton criado")
            
            return _lstm_memory_instance
        
        except Exception as e:
            logger.error(f"❌ Erro ao criar LSTM Memory System: {e}")
            return None