Update app.py

app.py

@@ -31,62 +31,66 @@ CONTEXTO_FILOSOFICO = carregar_contexto_filosofico()
 
 # ==================== PROMPTS PARA CADA PASSO ====================
 
-def prompt_passo1_clareza(historico_dialogo: List[Dict], historico_passo1: List[Dict], input_usuario: str) -> str:
+def prompt_passo1_clareza(historico_dialogo: List[Dict], historico_passo1_completo: List[Dict], input_usuario: str) -> str:
     """Prompt para análise de CLAREZA: Eu entendi o que o usuário quer?"""
     return f"""
 Você é um analisador de CLAREZA em uma pipeline de raciocínio multi-etapa.
 
 Sua única tarefa: avaliar se você entendeu claramente o que o usuário está perguntando ou expressando.
 
-HISTÓRICO DE DIÁLOGO (perguntas e respostas anteriores):
+HISTÓRICO DO CHAT (perguntas e respostas ao usuário):
 {json.dumps(historico_dialogo, indent=2, ensure_ascii=False)}
 
-HISTÓRICO DO PASSO 1 (suas análises anteriores de clareza):
-{json.dumps(historico_passo1, indent=2, ensure_ascii=False)}
+HISTÓRICO COMPLETO DO PASSO 1 (todas as suas análises anteriores de clareza com justificativas):
+{json.dumps(historico_passo1_completo, indent=2, ensure_ascii=False)}
 
 NOVO INPUT DO USUÁRIO:
 "{input_usuario}"
 
 INSTRUÇÕES:
-1. Se este é o primeiro turno ou se o usuário mudou completamente de assunto, analise a clareza do novo input isoladamente.
-2. Se o usuário está respondendo a uma pergunta sua anterior, reavalie: a clareza aumentou? Ele esclareceu o que você precisava?
-3. Se o input é ambíguo, vago ou tem múltiplas interpretações possíveis, classifique como confiança "baixa".
-4. Se você entendeu perfeitamente, classifique como "alta".
+1. Analise o histórico completo do PASSO 1 para entender como a clareza evoluiu ao longo da conversa.
+2. Se este é o primeiro turno ou se o usuário mudou completamente de assunto, analise a clareza do novo input isoladamente.
+3. Se o usuário está respondendo a uma pergunta sua anterior, reavalie: a clareza aumentou? Ele esclareceu o que você precisava?
+4. Se o input é ambíguo, vago ou tem múltiplas interpretações possíveis, classifique como confiança "baixa".
+5. Se você entendeu perfeitamente, classifique como "alta".
 
 RETORNE APENAS UM JSON VÁLIDO NO FORMATO:
 {{
-  "analise": "Sua análise textual sobre a clareza do input",
+  "justificativa": "Explique detalhadamente POR QUE você classificou assim, referenciando o histórico e evolução da clareza",
+  "analise": "Resumo da sua análise sobre a clareza do input",
   "confianca": "baixa|media|alta",
   "decisao": "prosseguir|pedir_esclarecimento",
-  "pergunta_esclarecimento": "Se decisao == pedir_esclarecimento, coloque aqui uma pergunta natural. Caso contrário, null."
+  "pergunta_esclarecimento": "Se decisao == pedir_esclarecimento, coloque aqui uma pergunta natural e conversacional. Caso contrário, null."
 }}
 """
 
-def prompt_passo2_proposito(historico_dialogo: List[Dict], historico_passo2: List[Dict], analise_p1: Dict) -> str:
+def prompt_passo2_proposito(historico_dialogo: List[Dict], historico_passo2_completo: List[Dict], ultimo_p1: Dict) -> str:
     """Prompt para análise de PROPÓSITO: Para que o usuário quer saber isso?"""
     return f"""
 Você é um analisador de PROPÓSITO em uma pipeline de raciocínio multi-etapa.
 
 Sua única tarefa: identificar PARA QUE o usuário está fazendo essa pergunta ou expressando essa ideia.
 
-HISTÓRICO DE DIÁLOGO:
+HISTÓRICO DO CHAT:
 {json.dumps(historico_dialogo, indent=2, ensure_ascii=False)}
 
-HISTÓRICO DO PASSO 2 (suas análises anteriores de propósito):
-{json.dumps(historico_passo2, indent=2, ensure_ascii=False)}
+ÚLTIMO REGISTRO DO PASSO 1 (Clareza):
+{json.dumps(ultimo_p1, indent=2, ensure_ascii=False)}
 
-ANÁLISE DE CLAREZA (PASSO 1):
-{json.dumps(analise_p1, indent=2, ensure_ascii=False)}
+HISTÓRICO COMPLETO DO PASSO 2 (todas as suas análises anteriores de propósito com justificativas):
+{json.dumps(historico_passo2_completo, indent=2, ensure_ascii=False)}
 
 INSTRUÇÕES:
-1. Com base no histórico e na análise de clareza, tente inferir o propósito do usuário.
-2. Exemplos de propósito: "tomar uma decisão", "aprender algo novo", "validar uma crença", "resolver um problema prático", "desabafar".
-3. Se você tem alta confiança sobre o propósito, classifique como "alta".
-4. Se não consegue determinar com certeza, classifique como "baixa" ou "media" e considere pedir esclarecimento.
+1. Analise o histórico completo do PASSO 2 para entender como o propósito foi refinado ao longo da conversa.
+2. Use a última análise de CLAREZA (Passo 1) para informar sua decisão.
+3. Tente inferir o propósito do usuário. Exemplos: "tomar uma decisão", "aprender algo novo", "validar uma crença", "resolver um problema prático", "desabafar".
+4. Se você tem alta confiança sobre o propósito, classifique como "alta".
+5. Se não consegue determinar com certeza, classifique como "baixa" ou "media" e considere pedir esclarecimento.
 
 RETORNE APENAS UM JSON VÁLIDO NO FORMATO:
 {{
-  "analise": "Sua análise textual sobre o propósito",
+  "justificativa": "Explique detalhadamente POR QUE você inferiu esse propósito, referenciando o histórico e a análise de clareza",
+  "analise": "Resumo da sua análise sobre o propósito",
   "proposito_inferido": "Descrição do propósito ou null se incerto",
   "confianca": "baixa|media|alta",
   "decisao": "prosseguir|pedir_esclarecimento",
@@ -94,31 +98,37 @@ RETORNE APENAS UM JSON VÁLIDO NO FORMATO:
 }}
 """
 
-def prompt_passo3_motivacao(historico_dialogo: List[Dict], historico_passo3: List[Dict], analise_p2: Dict) -> str:
+def prompt_passo3_motivacao(historico_dialogo: List[Dict], historico_passo3_completo: List[Dict], ultimo_p1: Dict, ultimo_p2: Dict) -> str:
     """Prompt para análise de MOTIVAÇÃO: Por que isso é importante para o usuário agora?"""
     return f"""
 Você é um analisador de MOTIVAÇÃO em uma pipeline de raciocínio multi-etapa.
 
 Sua única tarefa: identificar POR QUE o usuário está interessado nisso agora. O que despertou essa necessidade?
 
-HISTÓRICO DE DIÁLOGO:
+HISTÓRICO DO CHAT:
 {json.dumps(historico_dialogo, indent=2, ensure_ascii=False)}
 
-HISTÓRICO DO PASSO 3 (suas análises anteriores de motivação):
-{json.dumps(historico_passo3, indent=2, ensure_ascii=False)}
+ÚLTIMO REGISTRO DO PASSO 1 (Clareza):
+{json.dumps(ultimo_p1, indent=2, ensure_ascii=False)}
+
+ÚLTIMO REGISTRO DO PASSO 2 (Propósito):
+{json.dumps(ultimo_p2, indent=2, ensure_ascii=False)}
 
-ANÁLISE DE PROPÓSITO (PASSO 2):
-{json.dumps(analise_p2, indent=2, ensure_ascii=False)}
+HISTÓRICO COMPLETO DO PASSO 3 (todas as suas análises anteriores de motivação com justificativas):
+{json.dumps(historico_passo3_completo, indent=2, ensure_ascii=False)}
 
 INSTRUÇÕES:
-1. Tente identificar o gatilho emocional, contextual ou situacional que levou o usuário a fazer essa pergunta.
-2. Exemplos de motivação: "frustração com situação atual", "curiosidade intelectual", "urgência de decisão", "busca por validação", "experiência recente".
-3. Se você tem alta confiança sobre a motivação, classifique como "alta".
-4. Se não consegue determinar, classifique como "baixa" ou "media" e considere pedir esclarecimento.
+1. Analise o histórico completo do PASSO 3 para entender como a motivação foi identificada ao longo da conversa.
+2. Use as últimas análises de CLAREZA e PROPÓSITO para informar sua decisão.
+3. Tente identificar o gatilho emocional, contextual ou situacional que levou o usuário a fazer essa pergunta.
+4. Exemplos de motivação: "frustração com situação atual", "curiosidade intelectual", "urgência de decisão", "busca por validação", "experiência recente".
+5. Se você tem alta confiança sobre a motivação, classifique como "alta".
+6. Se não consegue determinar, classifique como "baixa" ou "media".
 
 RETORNE APENAS UM JSON VÁLIDO NO FORMATO:
 {{
-  "analise": "Sua análise textual sobre a motivação",
+  "justificativa": "Explique detalhadamente POR QUE você identificou essa motivação, referenciando o histórico e análises anteriores",
+  "analise": "Resumo da sua análise sobre a motivação",
   "motivacao_inferida": "Descrição da motivação ou null se incerto",
   "confianca": "baixa|media|alta",
   "decisao": "prosseguir|pedir_esclarecimento",
@@ -126,33 +136,42 @@ RETORNE APENAS UM JSON VÁLIDO NO FORMATO:
 }}
 """
 
-def prompt_passo4_ambiguidade(historico_dialogo: List[Dict], historico_passo4: List[Dict], analise_p3: Dict) -> str:
+def prompt_passo4_ambiguidade(historico_dialogo: List[Dict], historico_passo4_completo: List[Dict], ultimo_p1: Dict, ultimo_p2: Dict, ultimo_p3: Dict) -> str:
     """Prompt para análise de AMBIGUIDADE: Existem múltiplos cenários válidos que precisam ser desambiguados?"""
     return f"""
 Você é um analisador de AMBIGUIDADE DE CENÁRIO em uma pipeline de raciocínio multi-etapa.
 
 Sua única tarefa: detectar se a pergunta/situação do usuário tem múltiplas interpretações ou cenários válidos que precisam ser esclarecidos antes de dar uma resposta final.
 
-HISTÓRICO DE DIÁLOGO:
+HISTÓRICO DO CHAT:
 {json.dumps(historico_dialogo, indent=2, ensure_ascii=False)}
 
-HISTÓRICO DO PASSO 4 (suas análises anteriores de ambiguidade):
-{json.dumps(historico_passo4, indent=2, ensure_ascii=False)}
+ÚLTIMO REGISTRO DO PASSO 1 (Clareza):
+{json.dumps(ultimo_p1, indent=2, ensure_ascii=False)}
+
+ÚLTIMO REGISTRO DO PASSO 2 (Propósito):
+{json.dumps(ultimo_p2, indent=2, ensure_ascii=False)}
 
-ANÁLISE DE MOTIVAÇÃO (PASSO 3):
-{json.dumps(analise_p3, indent=2, ensure_ascii=False)}
+ÚLTIMO REGISTRO DO PASSO 3 (Motivação):
+{json.dumps(ultimo_p3, indent=2, ensure_ascii=False)}
+
+HISTÓRICO COMPLETO DO PASSO 4 (todas as suas análises anteriores de ambiguidade com justificativas):
+{json.dumps(historico_passo4_completo, indent=2, ensure_ascii=False)}
 
 INSTRUÇÕES:
-1. Analise se a resposta pode variar significativamente dependendo de uma perspectiva, contexto ou premissa não explicitada.
-2. Exemplos de ambiguidade:
+1. Analise o histórico completo do PASSO 4 para entender como a ambiguidade foi tratada ao longo da conversa.
+2. Use as últimas análises de CLAREZA, PROPÓSITO e MOTIVAÇÃO para informar sua decisão.
+3. Analise se a resposta pode variar significativamente dependendo de uma perspectiva, contexto ou premissa não explicitada.
+4. Exemplos de ambiguidade:
    - "Me fale sobre carros" → pode ser engenharia, história, compra, manutenção, esportes...
    - "Como lidar com ansiedade?" → pode ser clínica, filosófica, técnicas práticas, contexto profissional...
-3. Se há UMA ÚNICA resposta clara e direta possível, classifique confiança como "alta" e decisao "prosseguir_resposta_final".
-4. Se há múltiplos cenários válidos, classifique confiança como "baixa" e decisao "pedir_esclarecimento".
+5. Se há UMA ÚNICA resposta clara e direta possível, classifique confiança como "alta" e decisao "prosseguir_resposta_final".
+6. Se há múltiplos cenários válidos, classifique confiança como "baixa" e decisao "pedir_esclarecimento".
 
 RETORNE APENAS UM JSON VÁLIDO NO FORMATO:
 {{
-  "analise": "Sua análise textual sobre possíveis ambiguidades",
+  "justificativa": "Explique detalhadamente POR QUE você identificou (ou não) ambiguidade, referenciando o histórico e análises anteriores",
+  "analise": "Resumo da sua análise sobre possíveis ambiguidades",
   "cenarios_possiveis": ["cenário 1", "cenário 2", ...] ou null se não há ambiguidade,
   "confianca": "baixa|media|alta",
   "decisao": "prosseguir_resposta_final|pedir_esclarecimento",
@@ -160,7 +179,7 @@ RETORNE APENAS UM JSON VÁLIDO NO FORMATO:
 }}
 """
 
-def prompt_sintetizador(historico_dialogo: List[Dict], analises: Dict, modo_sabio: bool) -> str:
+def prompt_sintetizador(historico_dialogo: List[Dict], ultimo_p1: Dict, ultimo_p2: Dict, ultimo_p3: Dict, ultimo_p4: Dict, modo_sabio: bool) -> str:
     """Prompt para SÍNTESE FINAL: gera a resposta textual ao usuário."""
     contexto_filosofico_str = ""
     if modo_sabio and CONTEXTO_FILOSOFICO:
@@ -176,21 +195,32 @@ Seja conversacional, empático, use humor leve quando apropriado, e empodere o u
     return f"""
 Você é um SINTETIZADOR FINAL de uma pipeline de análise conversacional.
 
-Sua tarefa: gerar uma resposta textual natural, completa e útil ao usuário, baseada em toda a análise acumulada.
+Sua tarefa: gerar uma resposta textual natural, completa e útil ao usuário, baseada nas análises consolidadas.
 
-HISTÓRICO DE DIÁLOGO COMPLETO:
+HISTÓRICO DO CHAT COMPLETO:
 {json.dumps(historico_dialogo, indent=2, ensure_ascii=False)}
 
-ANÁLISES CONSOLIDADAS DA PIPELINE:
-{json.dumps(analises, indent=2, ensure_ascii=False)}
+ÚLTIMO REGISTRO DO PASSO 1 (Clareza):
+{json.dumps(ultimo_p1, indent=2, ensure_ascii=False)}
+
+ÚLTIMO REGISTRO DO PASSO 2 (Propósito):
+{json.dumps(ultimo_p2, indent=2, ensure_ascii=False)}
+
+ÚLTIMO REGISTRO DO PASSO 3 (Motivação):
+{json.dumps(ultimo_p3, indent=2, ensure_ascii=False)}
+
+ÚLTIMO REGISTRO DO PASSO 4 (Ambiguidade):
+{json.dumps(ultimo_p4, indent=2, ensure_ascii=False)}
 
 {contexto_filosofico_str}
 
 INSTRUÇÕES:
-1. Se algum dos passos indicou "pedir_esclarecimento", RETORNE APENAS A PERGUNTA DE ESCLARECIMENTO (do passo com menor confiança).
-2. Se todos os passos indicaram "prosseguir" ou "prosseguir_resposta_final", gere uma resposta completa e bem fundamentada.
-3. {"Se Modo Sábio estiver ativo, aplique a persona de Amigo Sábio conforme o contexto filosófico acima." if modo_sabio else "Use tom informativo e objetivo."}
-4. Sua resposta deve ser APENAS o texto final para o usuário. NÃO retorne JSON aqui.
+1. Analise as justificativas e decisões dos 4 passos.
+2. Se algum passo indicou "pedir_esclarecimento", RETORNE APENAS A PERGUNTA DE ESCLARECIMENTO (priorize o passo com menor confiança).
+3. Se todos os passos indicaram "prosseguir" ou "prosseguir_resposta_final", gere uma resposta completa e bem fundamentada.
+4. {"Se Modo Sábio estiver ativo, aplique a persona de Amigo Sábio conforme o contexto filosófico acima." if modo_sabio else "Use tom informativo e objetivo."}
+5. Sua resposta deve ser APENAS o texto final para o usuário. NÃO retorne JSON aqui.
+6. Use as justificativas dos passos para entender profundamente o contexto e intenção do usuário.
 
 RESPOSTA FINAL:
 """
@@ -214,7 +244,7 @@ def parse_json_seguro(texto: str) -> Dict:
         return json.loads(texto)
     except json.JSONDecodeError as e:
         print(f"⚠ Erro ao parsear JSON: {e}")
-        print(f"Texto recebido: {texto}")
+        print(f"Texto recebido: {texto[:300]}...")
         return {"erro": "Resposta inválida do modelo", "texto_original": texto}
 
 # ==================== PIPELINE PRINCIPAL ====================
@@ -241,48 +271,50 @@ def processar_turno(mensagem_usuario: str, modo_sabio: bool = False, modo_superv
     historico_passo1_clareza.append(analise_p1)
     print(f"   Confiança: {analise_p1.get('confianca', 'N/A')}")
     print(f"   Decisão: {analise_p1.get('decisao', 'N/A')}")
+    print(f"   Justificativa: {analise_p1.get('justificativa', 'N/A')[:100]}...")
 
     # 3. PASSO 2: Análise de PROPÓSITO
     print("\n🎯 PASSO 2: Analisando PROPÓSITO...")
-    prompt2 = prompt_passo2_proposito(historico_dialogo[:-1], historico_passo2_proposito, analise_p1)
+    ultimo_p1 = historico_passo1_clareza[-1]
+    prompt2 = prompt_passo2_proposito(historico_dialogo[:-1], historico_passo2_proposito, ultimo_p1)
     resposta_p2 = chamada_gemini(counselor_model, prompt2)
     analise_p2 = parse_json_seguro(resposta_p2)
     historico_passo2_proposito.append(analise_p2)
     print(f"   Confiança: {analise_p2.get('confianca', 'N/A')}")
     print(f"   Decisão: {analise_p2.get('decisao', 'N/A')}")
+    print(f"   Justificativa: {analise_p2.get('justificativa', 'N/A')[:100]}...")
 
     # 4. PASSO 3: Análise de MOTIVAÇÃO
     print("\n💡 PASSO 3: Analisando MOTIVAÇÃO...")
-    prompt3 = prompt_passo3_motivacao(historico_dialogo[:-1], historico_passo3_motivacao, analise_p2)
+    ultimo_p2 = historico_passo2_proposito[-1]
+    prompt3 = prompt_passo3_motivacao(historico_dialogo[:-1], historico_passo3_motivacao, ultimo_p1, ultimo_p2)
     resposta_p3 = chamada_gemini(counselor_model, prompt3)
     analise_p3 = parse_json_seguro(resposta_p3)
     historico_passo3_motivacao.append(analise_p3)
     print(f"   Confiança: {analise_p3.get('confianca', 'N/A')}")
     print(f"   Decisão: {analise_p3.get('decisao', 'N/A')}")
+    print(f"   Justificativa: {analise_p3.get('justificativa', 'N/A')[:100]}...")
 
     # 5. PASSO 4: Análise de AMBIGUIDADE
     print("\n🔀 PASSO 4: Analisando AMBIGUIDADE...")
-    prompt4 = prompt_passo4_ambiguidade(historico_dialogo[:-1], historico_passo4_ambiguidade, analise_p3)
+    ultimo_p3 = historico_passo3_motivacao[-1]
+    prompt4 = prompt_passo4_ambiguidade(historico_dialogo[:-1], historico_passo4_ambiguidade, ultimo_p1, ultimo_p2, ultimo_p3)
     resposta_p4 = chamada_gemini(counselor_model, prompt4)
     analise_p4 = parse_json_seguro(resposta_p4)
     historico_passo4_ambiguidade.append(analise_p4)
     print(f"   Confiança: {analise_p4.get('confianca', 'N/A')}")
     print(f"   Decisão: {analise_p4.get('decisao', 'N/A')}")
+    print(f"   Justificativa: {analise_p4.get('justificativa', 'N/A')[:100]}...")
 
     # 6. SÍNTESE FINAL
     print("\n✨ SINTETIZANDO RESPOSTA FINAL...")
-    analises_consolidadas = {
-        "clareza": analise_p1,
-        "proposito": analise_p2,
-        "motivacao": analise_p3,
-        "ambiguidade": analise_p4
-    }
+    ultimo_p4 = historico_passo4_ambiguidade[-1]
     
-    prompt_final = prompt_sintetizador(historico_dialogo[:-1], analises_consolidadas, modo_sabio)
+    prompt_final = prompt_sintetizador(historico_dialogo[:-1], ultimo_p1, ultimo_p2, ultimo_p3, ultimo_p4, modo_sabio)
     resposta_final = chamada_gemini(counselor_model, prompt_final)
     
     # 7. SUPERVISÃO (se ativada)
-    if modo_supervisor and analise_p4.get('decisao') == 'prosseguir_resposta_final':
+    if modo_supervisor and ultimo_p4.get('decisao') == 'prosseguir_resposta_final':
         print("\n🔍 MODO SUPERVISOR: Verificando fatos...")
         feedback_supervisor = verificar_fatos(resposta_final)
         
@@ -382,31 +414,102 @@ def handle_chat(mensagem: str, historico_chat_gradio: List, modo_sabio: bool, mo
     
     return resposta
 
-# ==================== INTERFACE GRADIO ====================
-iface = gr.ChatInterface(
-    fn=handle_chat,
-    title="🧠 Parceiro de Raciocínio v10 — Pipeline Fragmentada",
-    description="""
-    Sistema de conversação com análise multi-etapa e memória granular.
+# ==================== INTERFACE GRADIO CUSTOMIZADA ====================
+with gr.Blocks(theme="soft") as iface:
+    gr.Markdown("""
+    # 🧠 Parceiro de Raciocínio v10 — Pipeline Fragmentada com Justificativas
+    
+    Sistema de conversação com análise multi-etapa, memória granular e justificativas completas.
     
-    **Modo Amigo Sábio**: Reflexões filosóficas baseadas em Epicteto (requer epct0.md)
+    **Modo Amigo Sábio**: Reflexões filosóficas baseadas em Epicteto (requer epct0.md)  
     **Modo Supervisor**: Verificação automática de fatos e autocorreção
-    """,
-    chatbot=gr.Chatbot(height=600, label="Diálogo"),
-    textbox=gr.Textbox(placeholder="O que está na sua cabeça?", container=False, scale=7),
-    additional_inputs=[
-        gr.Checkbox(label="🧘 Ativar Modo Amigo Sábio (Filosofia)", value=False),
-        gr.Checkbox(label="🔍 Ativar Modo Supervisor (Fact-checking)", value=True)
-    ],
-    theme="soft",
-    examples=[
-        "Estou confuso sobre qual carreira seguir.",
-        "O Monte Everest tem mais de 9.000 metros de altura?",
-        "Por que sinto ansiedade antes de apresentações?",
-        "Me fale sobre inteligência artificial."
-    ],
-    cache_examples=False
-)
+    
+    Cada passo mantém histórico completo com justificativas detalhadas da classificação.
+    """)
+    
+    with gr.Row():
+        with gr.Column(scale=4):
+            chatbot = gr.Chatbot(
+                height=600,
+                label="Diálogo",
+                type="messages",
+                show_copy_button=True
+            )
+        
+        with gr.Column(scale=1):
+            modo_sabio = gr.Checkbox(
+                label="🧘 Modo Amigo Sábio",
+                value=False,
+                info="Ativa reflexões filosóficas baseadas em Epicteto"
+            )
+            modo_supervisor = gr.Checkbox(
+                label="🔍 Modo Supervisor",
+                value=True,
+                info="Ativa verificação de fatos e autocorreção"
+            )
+            
+            gr.Markdown("### 💡 Exemplos")
+            with gr.Column():
+                ex1 = gr.Button("Carreira confusa", size="sm")
+                ex2 = gr.Button("Everest altura", size="sm")
+                ex3 = gr.Button("Ansiedade apresentação", size="sm")
+                ex4 = gr.Button("IA explicação", size="sm")
+    
+    with gr.Row():
+        msg = gr.Textbox(
+            placeholder="Digite sua mensagem aqui... (Shift+Enter para nova linha)",
+            label="Sua mensagem",
+            lines=3,
+            max_lines=10,
+            scale=9,
+            submit_btn=False  # Desabilita envio com Enter
+        )
+        enviar_btn = gr.Button("📤 Enviar", scale=1, variant="primary")
+    
+    limpar_btn = gr.Button("🗑️ Limpar conversa")
+    
+    # Estado interno
+    state = gr.State([])
+    
+    # Função de envio
+    def user_submit(mensagem, historico, modo_sabio_val, modo_supervisor_val):
+        if not mensagem.strip():
+            return historico, ""
+        
+        # Adiciona mensagem do usuário
+        historico.append({"role": "user", "content": mensagem})
+        
+        # Processa resposta
+        resposta = handle_chat(mensagem, historico, modo_sabio_val, modo_supervisor_val)
+        
+        # Adiciona resposta do assistente
+        historico.append({"role": "assistant", "content": resposta})
+        
+        return historico, ""
+    
+    # Eventos
+    enviar_btn.click(
+        user_submit,
+        inputs=[msg, chatbot, modo_sabio, modo_supervisor],
+        outputs=[chatbot, msg]
+    )
+    
+    msg.submit(  # Mantém submit para compatibilidade com Shift+Enter
+        user_submit,
+        inputs=[msg, chatbot, modo_sabio, modo_supervisor],
+        outputs=[chatbot, msg]
+    )
+    
+    limpar_btn.click(
+        lambda: ([], None),
+        outputs=[chatbot, state]
+    ).then(resetar_conversa, outputs=None)
+    
+    # Exemplos
+    ex1.click(lambda: "Estou confuso sobre qual carreira seguir.", outputs=msg)
+    ex2.click(lambda: "O Monte Everest tem mais de 9.000 metros de altura?", outputs=msg)
+    ex3.click(lambda: "Por que sinto ansiedade antes de apresentações importantes?", outputs=msg)
+    ex4.click(lambda: "Me fale sobre inteligência artificial e seus impactos.", outputs=msg)
 
 # ==================== EXECUÇÃO ====================
 if __name__ == "__main__":