app.py

#--- START OF FILE app (23).py ---

import streamlit as st
import time
import os 
import tempfile # Para criar diretórios temporários seguros

# --- IMPORTS GROQ ---
from groq import Groq

# --- IMPORTS LANGCHAIN / RAG ---
from langchain_community.document_loaders import TextLoader 
from langchain_community.document_loaders import PyPDFLoader 
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.chains import RetrievalQA
from langchain_groq import ChatGroq 
# --------------------------

# 1. Título da Página e Configuração de Layout
st.set_page_config(page_title="Iza - Assistente Groq RAG", layout="wide")

# --- CSS CORRIGIDO E ATUALIZADO (REMOÇÃO DO AVATAR E ESPAÇO) ---
st.markdown("""
<style>
    /* NOVO: Oculta o primeiro filho dentro do container de mensagem (que é o avatar/ícone) */
    [data-testid^="chat-message-"] > div:first-child {
        display: none !important;
        width: 0px !important;
        height: 0px !important;
        min-width: 0px !important; 
    }
    
    /* Garante que o container de avatar (o elemento com o testid específico) também não ocupe espaço */
    [data-testid="stChatAvatar"] {
        display: none !important;
        width: 0px !important;
        height: 0px !important;
        min-width: 0px !important; 
    }
    
    /* Remove o espaçamento extra para alinhar o texto à esquerda e remove o gap */
    [data-testid="stChatMessage"] {
        padding-left: 0px;
        padding-right: 0px;
        gap: 0.0rem !important;
    }
    
    /* Mantém a justificação do texto e garante a largura total para o conteúdo da mensagem */
    [data-testid="stChatMessageContent"] {
        text-align: justify;
        width: 100%;
    }
    
    /* Regras de Tabela (Mantidas para garantir a legibilidade) */
    table {
        width: 100% !important;
        table-layout: fixed;
    }
    th, td {
        word-wrap: break-word;
        overflow-wrap: break-word;
        word-break: break-all;
    }
</style>
""", unsafe_allow_html=True)

st.title("Iza - Assistente com Groq RAG 🚀")
st.caption("Um chatbot com memória, upload de arquivos, LangChain RAG e controle de velocidade.")

# 3. Configuração do Cliente Groq
print("DEBUG: Inicializando clientes Groq.") # Log de depuração
client = Groq()
groq_llm = ChatGroq(model_name="mixtral-8x7b-32768", temperature=0.7) 

# 2. Barra Lateral e Lógica de Upload/Processamento RAG
with st.sidebar:
    st.header("Opções")
    
    if 'retriever' not in st.session_state:
        st.session_state.retriever = None
        st.session_state.retriever_source = None
        print("DEBUG: Estado inicial: retriever=None.") # Log de depuração
        
    uploaded_file = st.file_uploader(
        "Anexe um arquivo para pesquisa RAG (opcional)", 
        type=["txt", "md", "pdf"],
        help="O arquivo será processado e a IA poderá responder perguntas sobre seu conteúdo."
    )
    
    # Lógica de Processamento do Arquivo
    if uploaded_file:
        # Apenas processa se o arquivo for novo
        if st.session_state.retriever_source != uploaded_file.name:
            
            file_path = f"./temp_file_{uploaded_file.name.replace('/', '_')}"
            
            try:
                # --- USO DO DIRETÓRIO TEMPORÁRIO ---
                st.info("Passo 1/5: Salvando arquivo temporariamente. Aguarde...")
                print(f"DEBUG: Tentando salvar arquivo: {uploaded_file.name}") # Log de depuração
                
                with tempfile.NamedTemporaryFile(delete=False, suffix=f"_{uploaded_file.name}") as tmp_file:
                    tmp_file.write(uploaded_file.read())
                    file_path = tmp_file.name
                
                print(f"DEBUG: Arquivo salvo em: {file_path}") # Log de depuração

                # 2. CONFIGURAÇÃO RAG (Processo de Embedding)
                with st.spinner(f"Processando '{uploaded_file.name}' com LangChain..."):
                    
                    # Carregamento do Documento
                    if uploaded_file.type == 'application/pdf':
                        loader = PyPDFLoader(file_path)
                    elif uploaded_file.type in ['text/markdown', 'text/plain']:
                        loader = TextLoader(file_path)
                    else:
                        raise ValueError("Tipo de arquivo não suportado após o upload.")
                        
                    documents = loader.load()
                    st.info(f"Passo 2/5: Carregamento concluído. Documentos carregados: {len(documents)}.")
                    
                    # Fragmentação do Texto
                    text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
                    texts = text_splitter.split_documents(documents)
                    st.info(f"Passo 3/5: Texto fragmentado em {len(texts)} pedaços.")
                    
                    # HuggingFace Embeddings (Roda na CPU)
                    st.info("Passo 4/5: Criando Embeddings (vetores) com HuggingFace. Isso pode levar alguns segundos.")
                    embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
                    
                    # Criar o Vector Store (FAISS)
                    st.info("Passo 5/5: Criando o Vector Store (FAISS) para busca rápida.")
                    vectorstore = FAISS.from_documents(texts, embeddings)
                    
                    # Armazenar na sessão
                    st.session_state.retriever = vectorstore.as_retriever()
                    st.session_state.retriever_source = uploaded_file.name
                    st.success(f"Arquivo '{uploaded_file.name}' processado! Pergunte sobre ele.")
                    print("DEBUG: Processo RAG concluído e retriever armazenado.") # Log de depuração

            except Exception as e:
                # Tratamento de erro 403 e outros
                if "403" in str(e):
                    st.error("Erro no upload (403 Forbidden). O servidor de deploy está rejeitando a requisição.")
                    print(f"ERRO CRÍTICO (403): {e}") # Log de depuração
                else:
                    st.error(f"Erro ao processar o arquivo: {e}")
                    print(f"ERRO DE PROCESSAMENTO: {e}") # Log de depuração
                
                st.session_state.retriever = None
                st.session_state.retriever_source = None
            finally:
                # Garante que o arquivo temporário seja removido
                if os.path.exists(file_path):
                    os.remove(file_path)
                    print(f"DEBUG: Arquivo temporário removido: {file_path}") # Log de depuração
        
        else:
             st.info(f"O arquivo '{st.session_state.retriever_source}' já foi processado e está ativo.")

    elif st.session_state.retriever_source is not None:
         st.warning("O arquivo processado foi removido. A IA voltará a usar pesquisa web.")
         st.session_state.retriever = None
         st.session_state.retriever_source = None

# 4. Inicialização do Histórico da Conversa
if "messages" not in st.session_state:
    print("DEBUG: Inicializando histórico de mensagens.") # Log de depuração
    system_prompt = (
        "Você é um assistente de pesquisa avançado chamado Iza. "
        "Se houver um documento anexo, use-o como primeira fonte de conhecimento. "
        "Caso contrário, use as ferramentas 'visit_website' ou 'web_search' para obter informações. "
        "Sua tarefa é fornecer um resumo completo, bem estruturado e detalhado em markdown. "
        "IMPORTANTE: Ao criar tabelas, elas devem ter no máximo 3 colunas, e de preferência apenas 2, "
        "para garantir a legibilidade em todas as telas."
    )
    st.session_state.messages = [{"role": "system", "content": system_prompt}]

# 5. Exibição das Mensagens Anteriores (Log de quantas mensagens)
if len(st.session_state.messages) > 1:
    print(f"DEBUG: Exibindo {len(st.session_state.messages) - 1} mensagens anteriores.") # Log de depuração
for message in st.session_state.messages:
    if message["role"] != "system":
        with st.chat_message(message["role"]):
            st.markdown(message["content"])

# 6. Lógica de Interação do Chat
if prompt := st.chat_input("Pergunte algo sobre o documento ou faça uma pesquisa na web..."):
    # 6a. Adiciona a mensagem do usuário e exibe
    st.session_state.messages.append({"role": "user", "content": prompt})
    with st.chat_message("user"):
        st.markdown(prompt)
    print(f"DEBUG: Prompt do usuário: '{prompt}'") # Log de depuração

    # 6b. Obtém a resposta do assistente (RAG ou Streaming com Tool Use)
    with st.chat_message("assistant"):
        placeholder = st.empty()
        full_response = ""

        try:
            # --- LÓGICA DE DECISÃO RAG vs GROQ DIRETO ---
            if st.session_state.retriever is not None:
                # RAG: Caso haja um arquivo anexado.
                print("DEBUG: Modo RAG (Documento anexado) ativado.") # Log de depuração
                qa_chain = RetrievalQA.from_chain_type(
                    llm=groq_llm,
                    chain_type="stuff",
                    retriever=st.session_state.retriever,
                    return_source_documents=False 
                )
                
                # Resposta RAG
                with st.spinner("Buscando no documento e gerando resposta..."):
                    result = qa_chain.invoke({"query": prompt})
                    full_response = result['result']
                
            else:
                # GROQ DIRETO: Caso NÃO haja arquivo (usa Tool Use para pesquisa web).
                print("DEBUG: Modo Groq Direto (Web Search) ativado.") # Log de depuração
                stream = client.chat.completions.create(
                    model="groq/compound",
                    messages=[
                        {"role": m["role"], "content": m["content"]}
                        for m in st.session_state.messages
                    ],
                    temperature=0.7,
                    max_tokens=4096,
                    stream=True,
                    compound_custom={"tools": {"enabled_tools": ["web_search", "visit_website"]}}
                )
                
                # Streaming da resposta
                for chunk in stream:
                    full_response += chunk.choices[0].delta.content or ""
                    placeholder.markdown(full_response + "▌")
                    time.sleep(0.005)

            # Exibe a resposta completa
            placeholder.markdown(full_response)
            print("DEBUG: Resposta completa enviada ao chat.") # Log de depuração
            
            # 6c. Adiciona a resposta completa ao histórico
            st.session_state.messages.append({"role": "assistant", "content": full_response})

        except Exception as e:
            st.error(f"Ocorreu um erro na interação: {e}")
            print(f"ERRO DE INTERAÇÃO: {e}") # Log de depuração

# --- END OF FILE app (23).py ---