Update app.py

app.py

@@ -30,7 +30,7 @@ genai.configure(api_key=api_key)
 
 # Inicializa os dois modelos separadamente
 counselor_model = genai.GenerativeModel('gemini-flash-latest')
-supervisor_model = genai.GenerativeModel('gemini-2.5-flash-lite')
+supervisor_model = genai.GenerativeModel('gemini-flash-latest')
 
 
 # --- 3. DEFINIÇÃO DOS PROMPTS ---
@@ -56,29 +56,35 @@ Você é um especialista em análise de intenções que opera sob um protocolo d
 Sua função é conduzir uma conversa para entender 100% da dúvida de um usuário ANTES de respondê-la.
 Sua SAÍDA DEVE SER SEMPRE E SOMENTE um objeto JSON válido.
 
-**PROTOCOLO DE EXECUÇÃO OBRIGATÓRIO:**
-Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo executar. Sua resposta em JSON deve conter o estado COMPLETAMENTE ATUALIZADO.
+**PROTOCOLO DE EXECUÇÃO OBRIGATÓRIO (COM AJUSTES DE DIÁLOGO E FLUXO):**
+
+**Passo 0: Análise Preliminar e Detecção de Intenção do Usuário (NOVO)**
+- **Ação:** Antes de aplicar o protocolo de 6 passos, analise a mensagem do usuário.
+- **Decisão:**
+    - Se a mensagem for uma pergunta direta sobre um fato específico (ex: "Qual o nome daquela atriz?") ou uma solicitação de informação isolada, **responda diretamente** (não use o protocolo de 6 passos). Em seguida, se apropriado, tente reconectar com o fluxo ou perguntar se o usuário quer prosseguir com a análise da dúvida anterior.
+    - Se a mensagem for uma mudança de assunto que **dialoga com o contexto anterior** (ex: após falar de carros, o usuário pergunta sobre pneus), tente integrar essa nova informação ao protocolo ou crie uma ponte para ela.
+    - Se a mensagem for uma **mudança de assunto radical** ou uma solicitação que não se encaixa no protocolo, responda diretamente à solicitação e **RESETE o estado da pipeline**.
+    - Se a mensagem for uma **pergunta de esclarecimento** sua, trate-a como tal, use a Persona de Amigo Sábio, e espere a resposta do usuário.
+    - Se o modelo não conseguir determinar a intenção clara (dúvida ambígua que precisa de mais dados), ele deve seguir para o Passo 1, tentando um diálogo mais exploratório.
+- **Saída JSON (se for usar o protocolo):** `{"proximo_passo": "passo_1_clareza", ...}`. Se responder diretamente ou resetar, a função `handle_chat` lidará com isso.
+
 ---
 **Passo 1: Análise Primária (Clareza)**
-- **Decisão:** Se a clareza for 'baixa', pergunte. Senão, `proximo_passo` = `"passo_2_proposito"`.
+- **Decisão:** Se a clareza for 'baixa', use a persona do Amigo Sábio para fazer uma pergunta de esclarecimento. Senão, `proximo_passo` = `"passo_2_proposito"`.
 ---
 **Passo 2: Análise de Propósito (Para Que)**
-- **Decisão:** Se a confiança for 'baixa', formule uma pergunta de esclarecimento conversacional, mostrando que entendeu o tópico geral. Senão, `proximo_passo` = `"passo_3_motivacao"`.
+- **Decisão:** Se a confiança no propósito for 'baixa', use a persona do Amigo Sábio para formular uma pergunta de esclarecimento conversacional, mostrando que entendeu o tópico geral. Senão, `proximo_passo` = `"passo_3_motivacao"`.
 ---
 **Passo 3: Análise de Motivação (Porquê)**
-- **Decisão:** Se a confiança for 'baixa', formule uma pergunta de esclarecimento conversacional. Senão, `proximo_passo` = `"passo_4_coerencia"`.
+- **Decisão:** Se a confiança na motivação for 'baixa', use a persona do Amigo Sábio para perguntar sobre o que despertou o interesse. Senão, `proximo_passo` = `"passo_4_coerencia"`.
 ---
 **Passo 4: Análise de Coerência**
-- **Decisão:** Se a coerência for 'baixa', pergunte para resolver a contradição. Senão, `proximo_passo` = `"passo_5_ambiguidade"`.
+- **Decisão:** Se a coerência for 'baixa', use a persona do Amigo Sábio para perguntar, resolvendo a contradição. Senão, `proximo_passo` = `"passo_5_ambiguidade"`.
 ---
 **Passo 5: Análise de Ambiguidade de Cenário (Validação de Perspectiva)**
 - **Meta:** A dúvida pode ter múltiplas respostas válidas dependendo de uma perspectiva oculta?
-- **Decisão:**
-  - Se existem vários cenários válidos, sua tarefa é **formular uma pergunta de esclarecimento conversacional e aberta.**
-  - **REGRA DE OURO PARA PERGUNTAS:** Suas perguntas NÃO devem ser menus ou listas fechadas (ex: "A ou B?"). Elas DEVEM ser humanizadas seguindo esta estrutura:
-    1.  **Afirmação de Engajamento:** Comece com uma frase curta que valide o interesse do usuário (ex: "Entendido, esse é um tema fascinante!").
-    2.  **Ponte de Entendimento:** Demonstre que você entendeu o que foi dito, apresentando os cenários como uma exploração conjunta.
-    3.  **Pergunta Aberta:** Termine com uma pergunta que convide o usuário a escolher um caminho de forma natural.
+- **Decisão:** Se existem vários cenários válidos, sua tarefa é **formular uma pergunta de esclarecimento conversacional e aberta**, usando a persona do Amigo Sábio.
+  - **REGRA DE OURO PARA PERGUNTAS:** Não use menus. Comece com uma frase de engajamento, crie uma ponte de entendimento, e termine com uma pergunta aberta.
   - **Exemplo de Pergunta Conversacional Perfeita:**
     Dúvida: "Me fale sobre carros". A pergunta no campo `pergunta_para_usuario` DEVE ser algo como:
     *"Sério, interessante, eu acho esse mundo fascinante! Os detalhes da engenharia são curiosos. Veja, podemos explorar isso por um lado, analisando o chassi, que é como o esqueleto que dá estrutura e segurança. E também do outro, o motor, que é o coração que dá potência ao carro. Qual desses detalhes da engenharia te desperta mais curiosidade agora?"*
@@ -87,7 +93,7 @@ Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo ex
 ---
 **Passo 6: Geração da Resposta Final**
 - **Meta:** Tenho 100% de clareza para dar uma resposta definitiva.
-- **Decisão:** Se todos os passos têm confiança 'alta', construa a resposta final. Coloque-a em `"resposta_final"`. Defina `proximo_passo` como `"concluido"`. Senão, volte ao passo com a confiança mais baixa.
+- **Decisão:** Se todos os passos têm confiança 'alta', construa a resposta final, adaptada à persona do Amigo Sábio e à sua análise. Coloque-a em `"resposta_final"`. Defina `proximo_passo` como `"concluido"`. Senão, volte ao passo com a confiança mais baixa.
 ---
 **ESTRUTURA JSON DE SAÍDA OBRIGATÓRIA:**
 {
@@ -119,9 +125,6 @@ Você é um Conselheiro de IA em um processo de refinamento. Sua resposta anteri
 3.  **Reescreva sua resposta final**, integrando a correção de forma natural e fluida em sua análise original.
 4.  **Justifique brevemente a mudança:** No final da sua nova resposta, adicione uma pequena nota explicando por que a correção era importante. Comece esta nota com "Nota de Refinamento:".
 
-**Exemplo de como justificar:**
-"Nota de Refinamento: A correção acima é crucial porque o veto legal a penas alternativas no contexto da Lei Maria da Penha muda fundamentalmente o desfecho prático para a ré, mesmo com uma pena mínima."
-
 Produza apenas a resposta final e corrigida, pronta para o usuário.
 """
 
@@ -165,12 +168,14 @@ def handle_chat(mensagem, historico_chat_gradio, modo_sabio, modo_supervisor):
         estado_pipeline_global = resetar_estado()
         historico_conversa_llm = []
 
+    # Adiciona a mensagem do usuário ao histórico para o LLM
     historico_conversa_llm.append({"role": "user", "parts": [mensagem]})
     
+    # Define a dúvida inicial se for a primeira mensagem
     if estado_pipeline_global["duvida_inicial"] is None:
         estado_pipeline_global["duvida_inicial"] = mensagem
 
-    # Monta o prompt base, injetando a diretiva do Amigo Sábio se ativado
+    # --- Lógica de Construção do Prompt ---
     prompt_base = PROMPT_SISTEMA_METODOLOGICO
     if modo_sabio and CONTEXTO_EPICTETO:
         prompt_base = f"""{DIRETIVA_AMIGO_SABIO}
@@ -238,7 +243,8 @@ Agora, aplique esta persona e seus princípios ao executar a seguinte metodologi
                 # Segunda chamada à API para o Conselheiro se corrigir
                 response_corrigida = counselor_model.generate_content(prompt_refinamento)
                 resposta_final_para_usuario = response_corrigida.text
-                historico_conversa_llm.append({"role": "model", "parts": [resposta_final_para_usuario]}) # Adiciona a resposta corrigida ao histórico
+                # Adiciona a resposta corrigida ao histórico
+                historico_conversa_llm.append({"role": "model", "parts": [resposta_final_para_usuario]})
 
         return resposta_final_para_usuario