fix: COT recebe contexto completo - aumentar limites de truncamento

- thinking_engine.py: STM 25→40 msgs, 300→500 chars, listen 30→50, 200→400 chars
- thinking_engine.py: LSTM summary 600→1000, subtopics 8→12, questions 3→5
- thinking_engine.py: max_tokens COT output 2000→3000, retry 500→1000
- api.py: context_history 15→25 msgs, thinking engine raw STM 30→50
- unified_context.py: defaults 10/4000 → 20/6000
- context_builder.py: budget total 8000→12000, reply 800→1200, STM 4000→6000

modules/api.py

@@ -2506,8 +2506,8 @@ class AkiraAPI:
                     # Isso mantém isolamento mas permite acesso a referências importantes
                     
                     if reply_to_bot:
-                        # BASE: Carregar últimas 15 mensagens (contexto imediato expandido)
-                        base_msgs = list(unified_context.stm_messages[-15:])
+                        # BASE: Carregar últimas 25 mensagens (contexto imediato expandido)
+                        base_msgs = list(unified_context.stm_messages[-25:])
                         context_history_base = []
                         
                         last_base_user_author = None  # ✅ track last user author for assistant tagging
@@ -2633,11 +2633,11 @@ class AkiraAPI:
                                          'quem', 'isso', 'isso', 'muito', 'bem', 'aqui', 'fazer',
                                          'porque', 'então', 'porque', 'então'}
                         
-                        stm_messages = list(unified_context.stm_messages[-15:])  # Últimas 15 msgs
+                        stm_messages = list(unified_context.stm_messages[-25:])  # Últimas 25 msgs
                         
-                        # Adiciona msgs relevantes de janela maior (até -40) se tiverem keywords em comum
-                        if len(unified_context.stm_messages) > 15:
-                            older_msgs = unified_context.stm_messages[-40:-15]
+                        # Adiciona msgs relevantes de janela maior (até -50) se tiverem keywords em comum
+                        if len(unified_context.stm_messages) > 25:
+                            older_msgs = unified_context.stm_messages[-50:-25]
                             for omsg in older_msgs:
                                 omsg_keywords = set(re.findall(r'\b([a-záéíóúâêãõç]{4,})\b', omsg.content.lower()))
                                 overlap = msg_keywords & omsg_keywords
@@ -2842,10 +2842,10 @@ class AkiraAPI:
                     # 🔴 FIX #4: ENRIQUECER CONTEXTO PARA THINKINGENGINE
                     # Motivo: context_history é truncado para replies ao bot
                     # Solução: Usar raw stm_messages para o ThinkingEngine, não context_history
-                    historico_para_thinking = context_history[-30:] if context_history else []
+                    historico_para_thinking = context_history[-50:] if context_history else []
                     if unified_context and unified_context.stm_messages:
                         # Usa raw STM messages (full, não truncado) formatado para o thinking engine
-                        raw_msgs = list(unified_context.stm_messages[-30:])
+                        raw_msgs = list(unified_context.stm_messages[-50:])
                         thinking_formatted = []
                         for msg in raw_msgs:
                             content = msg.content

modules/context_builder.py

@@ -55,10 +55,10 @@ logger = logging.getLogger(__name__)
 
 # Token budgets para diferentes componentes
 TOKEN_BUDGET_SYSTEM: int = 1500
-TOKEN_BUDGET_REPLY: int = 800  # Para contexto de reply
-TOKEN_BUDGET_SHORT_TERM: int = 4000  # Para memória de curto prazo
-TOKEN_BUDGET_VECTOR: int = 1000  # Para memória vetorial
-TOKEN_BUDGET_TOTAL: int = 8000  # Total disponível para contexto
+TOKEN_BUDGET_REPLY: int = 1200  # Para contexto de reply
+TOKEN_BUDGET_SHORT_TERM: int = 6000  # Para memória de curto prazo
+TOKEN_BUDGET_VECTOR: int = 1500  # Para memória vetorial
+TOKEN_BUDGET_TOTAL: int = 12000  # Total disponível para contexto
 
 # Limiares para perguntas curtas
 SHORT_QUESTION_THRESHOLD: int = 5  # palavras

modules/thinking_engine.py

@@ -262,14 +262,14 @@ class ThinkingEngine:
                 sys_prompt += "\n<LISTEN_ENGINE_CONTEXT>\n"
                 sys_prompt += "  [FONTE: Mensagens observadas passivamente no grupo — NÃO são pedidos à Kiami]\n"
                 # Pegar as últimas 30 mensagens do grupo para contexto mais amplo
-                for obs in listen_context[-30:]:
+                for obs in listen_context[-50:]:
                     if isinstance(obs, dict):
                         autor = obs.get('author', obs.get('pushName', 'Desconhecido'))
                         texto = obs.get('body', obs.get('content', obs.get('mensagem', '')))
                         if texto:
-                            sys_prompt += f"  [{autor}]: {str(texto)[:200]}\n"
+                            sys_prompt += f"  [{autor}]: {str(texto)[:400]}\n"
                     elif isinstance(obs, str):
-                        sys_prompt += f"  {obs[:200]}\n"
+                        sys_prompt += f"  {obs[:400]}\n"
                 sys_prompt += "</LISTEN_ENGINE_CONTEXT>\n"
 
             # ================================================================
@@ -278,14 +278,14 @@ class ThinkingEngine:
             if historico_recente and len(historico_recente) > 0:
                 sys_prompt += "\n<SHORT_TERM_MEMORY>\n"
                 sys_prompt += "  [FONTE: Histórico recente da conversa DIRETA com a Kiami]\n"
-                for msg in historico_recente[-25:]:
+                for msg in historico_recente[-40:]:
                     if isinstance(msg, dict):
                         role = msg.get('role', 'user')
                         content = msg.get('content', '')
                         prefix = f"  [KIAMIA]" if role == 'assistant' else f"  [{usuario}]"
-                        sys_prompt += f"{prefix}: {str(content)[:300]}\n"
+                        sys_prompt += f"{prefix}: {str(content)[:500]}\n"
                     else:
-                        sys_prompt += f"  {str(msg)[:300]}\n"
+                        sys_prompt += f"  {str(msg)[:500]}\n"
                 sys_prompt += "</SHORT_TERM_MEMORY>\n"
 
             # ================================================================
@@ -299,18 +299,18 @@ class ThinkingEngine:
                 if contexto_lstm.get('interaction_pattern'):
                     sys_prompt += f"  [VERIFICADO] Padrão de interação: {contexto_lstm['interaction_pattern']}\n"
                 if contexto_lstm.get('unanswered_questions'):
-                    perguntas = contexto_lstm['unanswered_questions'][:3]
+                    perguntas = contexto_lstm['unanswered_questions'][:5]
                     sys_prompt += f"  [VERIFICADO] Perguntas pendentes sem resposta: {', '.join(perguntas)}\n"
                 if contexto_lstm.get('subtopicas'):
-                    sys_prompt += f"  [VERIFICADO] Subtópicos abordados: {', '.join(contexto_lstm['subtopicas'][:8])}\n"
+                    sys_prompt += f"  [VERIFICADO] Subtópicos abordados: {', '.join(contexto_lstm['subtopicas'][:12])}\n"
                 if contexto_lstm.get('emotion_history'):
                     sys_prompt += f"  [VERIFICADO] Histórico emocional: {contexto_lstm['emotion_history']}\n"
                 if contexto_lstm.get('summary'):
-                    sys_prompt += f"  [RESUMO LSTM]: {str(contexto_lstm['summary'])[:600]}\n"
+                    sys_prompt += f"  [RESUMO LSTM]: {str(contexto_lstm['summary'])[:1000]}\n"
                 if contexto_lstm.get('assumed_knowledge'):
-                    sys_prompt += f"  [VERIFICADO] Conhecimento presumido do utilizador: {', '.join(contexto_lstm['assumed_knowledge'][:5])}\n"
+                    sys_prompt += f"  [VERIFICADO] Conhecimento presumido do utilizador: {', '.join(contexto_lstm['assumed_knowledge'][:8])}\n"
                 if contexto_lstm.get('conversation_path'):
-                    sys_prompt += f"  [VERIFICADO] Caminho da conversa: {' → '.join(contexto_lstm['conversation_path'][-5:])}\n"
+                    sys_prompt += f"  [VERIFICADO] Caminho da conversa: {' → '.join(contexto_lstm['conversation_path'][-8:])}\n"
                 sys_prompt += "</LONG_TERM_MEMORY>\n"
 
             # ================================================================
@@ -321,7 +321,7 @@ class ThinkingEngine:
                 sys_prompt += "  [FONTE: Perfil psicológico e comportamental do utilizador — dados inferidos ao longo do tempo]\n"
                 for key, val in persona_context.items():
                     if val and key not in ('id', 'numero', 'timestamp'):
-                        sys_prompt += f"  [PERFIL] {key}: {str(val)[:250]}\n"
+                        sys_prompt += f"  [PERFIL] {key}: {str(val)[:400]}\n"
                 sys_prompt += "</USER_PERSONA>\n"
 
             # ================================================================
@@ -493,7 +493,7 @@ class ThinkingEngine:
                     system_prompt=sys_prompt,
                     context_history=[],
                     user_prompt=mensagem,
-                    max_tokens=2000
+                    max_tokens=3000
                 )
                 
                 # Se OpenRouter retornou None (429 rate limit), tenta com próxima conta
@@ -517,7 +517,7 @@ class ThinkingEngine:
                                 system_prompt=sys_prompt,
                                 context_history=[],
                                 user_prompt=mensagem,
-                                max_tokens=500
+                                max_tokens=1000
                             )
                             if thought:
                                 logger.info(f"✅ CoT gerado com sucesso na conta: {current_account}")
@@ -533,7 +533,7 @@ class ThinkingEngine:
                         system_prompt=sys_prompt,
                         context_history=[],
                         user_prompt=mensagem,
-                        max_tokens=2000
+                        max_tokens=3000
                     )
                     if thought:
                         logger.debug("🧠 CoT Dinâmico gerado via ToRouter (fallback)")
@@ -547,7 +547,7 @@ class ThinkingEngine:
                         system_prompt=sys_prompt,
                         context_history=[],
                         user_prompt=mensagem,
-                        max_tokens=2000
+                        max_tokens=3000
                     )
                     if thought:
                         logger.debug("🧠 CoT Dinâmico gerado via Mistral (fallback)")
@@ -561,7 +561,7 @@ class ThinkingEngine:
                         system_prompt=sys_prompt,
                         context_history=[],
                         user_prompt=mensagem,
-                        max_tokens=2000
+                        max_tokens=3000
                     )
                     if thought:
                         logger.debug("🧠 CoT Dinâmico gerado via Gemini (fallback)")

modules/unified_context.py

@@ -657,8 +657,8 @@ class ShortTermMemoryManager:
         conversation_id: str,
         include_replies: bool = True,
         prioritize_replies: bool = True,
-        max_messages: int = 10,
-        max_tokens: int = 4000
+        max_messages: int = 20,
+        max_tokens: int = 6000
     ) -> List[MessageWithContext]:
         """
         Obtém contexto da STM de uma conversa.
@@ -856,8 +856,8 @@ class UnifiedContextBuilder:
                 conversation_id,
                 include_replies=True,
                 prioritize_replies=True,
-                max_messages=10,
-                max_tokens=4000
+                max_messages=20,
+                max_tokens=6000
             )
         
         # ===== 3. CALCULA TOKEN BUDGET =====