ParaAIV3.1

core/base_specialist.py

@@ -63,7 +63,7 @@ class BaseSpecialist(ABC):
         self.max_retries = self.config.get('max_retries', 3)
         self.retry_delay = self.config.get('retry_delay', 2)
 
-        logger.info(f"✅ {self.name} (ID {self.id}) inicializado")
+        print(f"✅ {self.name} (ID {self.id}) inicializado")
 
     def _load_config(self, specialist_id: int, config_path: str) -> Dict[str, Any]:
         """Carrega configuração do especialista do YAML"""
@@ -112,7 +112,7 @@ class BaseSpecialist(ABC):
         Returns:
             Resultado parcial (apenas os campos deste especialista)
         """
-        logger.info(f"🤖 {self.name} processando...")
+        print(f"🤖 {self.name} processando...")
 
         for attempt in range(self.max_retries):
             try:
@@ -120,7 +120,7 @@ class BaseSpecialist(ABC):
                 prompt = self._build_prompt(input_data, context)
 
                 # 2. Log do prompt (info)
-                logger.info(f"  📝 Prompt ({len(prompt)} chars): {prompt[:200]}...")
+                print(f"  📝 Prompt ({len(prompt)} chars): {prompt[:200]}...")
 
                 # 3. Chamar LLM
                 response = await self._call_llm(prompt)
@@ -137,7 +137,7 @@ class BaseSpecialist(ABC):
                             continue  # Retry
 
                 # 6. Log de sucesso
-                logger.info(f"  ✅ {self.name} completou: {len(result)} campos")
+                print(f"  ✅ {self.name} completou: {len(result)} campos")
 
                 return result
 

core/context_builder.py

@@ -8,7 +8,7 @@ from typing import Dict, Any, Optional
 
 from api.utils.logger import setup_logger
 
-logger = setup_logger(__name__)
+printr = setup_printr(__name__)
 
 
 class ContextBuilder:
@@ -65,14 +65,14 @@ class ContextBuilder:
             if field in current_result:
                 context[field] = current_result[field]
 
-        logger.info(f"📦 Contexto para Especialista {specialist_id}: {list(context.keys())}")
+        print(f"📦 Contexto para Especialista {specialist_id}: {list(context.keys())}")
 
         return context if context else None
 
     def add_context_rule(self, specialist_id: int, fields: list):
         """Adiciona/modifica regra de contexto para um especialista"""
         self.context_rules[specialist_id] = fields
-        logger.info(f"✅ Regra de contexto atualizada para Especialista {specialist_id}")
+        print(f"✅ Regra de contexto atualizada para Especialista {specialist_id}")
 
     def get_context_rules(self) -> Dict[int, list]:
         """Retorna todas as regras de contexto"""

core/orchestrator.py

@@ -44,7 +44,7 @@ class PipelineOrchestrator:
         # Organizar fases
         self.phases = self._organize_phases()
 
-        logger.info(
+        print(
             f"✅ PipelineOrchestrator inicializado: "
             f"{len(self.phases)} fases, {len(self.specialists)} especialistas"
         )
@@ -94,7 +94,7 @@ class PipelineOrchestrator:
             }
         }
 
-        logger.info(f"🚀 Iniciando pipeline para acórdão ID {resultado['id_manifestacao']}")
+        print(f"🚀 Iniciando pipeline para acórdão ID {resultado['id_manifestacao']}")
 
         # Executar fases
         fase_final = fase_final or len(self.phases)
@@ -105,7 +105,7 @@ class PipelineOrchestrator:
             phase_name = phase['name']
             is_parallel = phase.get('parallel', False)
 
-            logger.info(f"📍 FASE {phase_id}: {phase_name} (parallel={is_parallel})")
+            print(f"📍 FASE {phase_id}: {phase_name} (parallel={is_parallel})")
 
             try:
                 if is_parallel and len(phase.get('specialists', [])) > 1:
@@ -123,7 +123,7 @@ class PipelineOrchestrator:
                         input_data=acordao_bruto
                     )
 
-                logger.info(f"✅ FASE {phase_id} concluída")
+                print(f"✅ FASE {phase_id} concluída")
 
             except Exception as e:
                 logger.error(f"❌ Erro na FASE {phase_id} ({phase_name}): {e}")
@@ -141,7 +141,7 @@ class PipelineOrchestrator:
         end_time = datetime.now()
         resultado['metadados_processamento']['tempo_processamento_segundos'] =             (end_time - start_time).total_seconds()
 
-        logger.info(
+        print(
             f"✅ Pipeline completa: {resultado['metadados_processamento']['tempo_processamento_segundos']:.2f}s"
         )
 
@@ -168,7 +168,7 @@ class PipelineOrchestrator:
                 specialist_id=spec_id
             )
 
-            logger.info(f"  🤖 Executando Especialista {spec_id}: {specialist.__class__.__name__}")
+            print(f"  🤖 Executando Especialista {spec_id}: {specialist.__class__.__name__}")
 
             # Executar especialista
             try:
@@ -184,7 +184,7 @@ class PipelineOrchestrator:
                 campos_novos = list(partial_result.keys())
                 current_result['metadados_processamento']['campos_enriquecidos'].extend(campos_novos)
 
-                logger.info(f"  ✅ Especialista {spec_id} completou: {len(campos_novos)} campos")
+                print(f"  ✅ Especialista {spec_id} completou: {len(campos_novos)} campos")
 
             except Exception as e:
                 logger.error(f"  ❌ Erro no Especialista {spec_id}: {e}")
@@ -215,7 +215,7 @@ class PipelineOrchestrator:
                 specialist_id=spec_id
             )
 
-            logger.info(f"  🤖 Agendando Especialista {spec_id} (paralelo)")
+            print(f"  🤖 Agendando Especialista {spec_id} (paralelo)")
 
             # Criar tarefa async
             task = specialist.process(input_data=input_data, context=context)
@@ -235,7 +235,7 @@ class PipelineOrchestrator:
             campos_novos = list(result.keys())
             current_result['metadados_processamento']['campos_enriquecidos'].extend(campos_novos)
 
-            logger.info(f"  ✅ Especialista {spec_id} completou: {len(campos_novos)} campos")
+            print(f"  ✅ Especialista {spec_id} completou: {len(campos_novos)} campos")
 
         return current_result
 

llm/clients/groq_client.py

@@ -29,7 +29,7 @@ class GroqClient:
 
         self.base_url = "https://api.groq.com/openai/v1/chat/completions"
         self.default_timeout = int(os.getenv('GROQ_TIMEOUT', '120'))
-        logger.info("✅ GroqClient inicializado (HTTP requests)")
+        print("✅ GroqClient inicializado (HTTP requests)")
 
     async def chat_completion(
         self,
@@ -67,6 +67,9 @@ class GroqClient:
 
         if max_tokens:
             payload["max_tokens"] = max_tokens
+            
+            
+        print(payload)
 
         if response_format:
             payload["response_format"] = response_format
@@ -98,7 +101,7 @@ class GroqClient:
             tokens_output = usage.get('completion_tokens', 0)
             total_tokens = usage.get('total_tokens', tokens_input + tokens_output)
 
-            logger.info(f"✅ Groq response: {total_tokens} tokens, finish={finish_reason}")
+            print(f"✅ Groq response: {total_tokens} tokens, finish={finish_reason}")
 
             # Retorna dict simples (compatível com LLMManager)
             return {