Upload ai_studio_code (4).py

ai_studio_code (4).py

@@ -0,0 +1,644 @@
+# -*- coding: utf-8 -*-
+"""
+Pipeline v10 Refatorada e Comentada - Chatbot com Metacognição Pura.
+
+Este arquivo implementa um chatbot avançado utilizando a API Google Gemini.
+A arquitetura se baseia em uma pipeline de múltiplos passos (P0-P8, X1-X2)
+que analisa, raciocina, gera cenários e verifica as respostas antes de
+entregá-las ao usuário.
+
+Esta versão inclui a capacidade de pausar the pipeline quando o modelo tem uma
+dúvida, perguntar ao usuário e, em seguida, retomar a execução do ponto de
+parada usando o esclarecimento fornecido.
+"""
+
+# ============================================================================
+# 1. IMPORTAÇÕES E CONFIGURAÇÃO INICIAL
+# ============================================================================
+import json
+import os
+import base64
+import re
+import warnings
+from datetime import datetime
+from typing import Dict, List, Tuple, Any
+
+import gradio as gr
+import google.generativeai as genai
+
+warnings.filterwarnings("ignore", category=FutureWarning, module="google.api_core")
+
+API_KEY = os.getenv("GOOGLE_API_KEY")
+if not API_KEY:
+    raise ValueError("A variável de ambiente GOOGLE_API_KEY não foi configurada.")
+
+genai.configure(api_key=API_KEY)
+
+COUNSELOR_MODEL = genai.GenerativeModel("gemini-1.5-flash")
+SUPERVISOR_MODEL = genai.GenerativeModel("gemini-1.5-flash")
+
+TITLE = "# 🚀 Pipeline v10 | PAUSA & RETOMADA\n**Sistema com gerenciamento de estado para interrupção e continuação do raciocínio.**"
+
+# ============================================================================
+# 2. PROMPTS CENTRALIZADOS
+# ============================================================================
+PROMPTS = {
+    "P0_ALUNO": """
+Você é um METACOGNITIVO (pensamento interno, NÃO comunicação).
+
+TURNO ANTERIOR: 
+User: {turno_anterior_user}
+Assistant: {turno_anterior_assistant}
+
+NOVA MENSAGEM: {pergunta}
+CONTEXTO VAGO: {historico_compacto}
+
+---
+
+Responda EM METACOGNIÇÃO PURA - TELEGRÁFICO
+NÃO use frases completas. APENAS essência semântica com conectores mínimos.
+
+EXEMPLO CERTO: entendeu-sim | pergunta-nova | avança-tópico | não-reformulou
+
+RETORNE JSON:
+{{
+  "usuario_entendeu": "sim|não",
+  "evidencias": ["entendeu-pergunta", "pediu-clarificação"],
+  "usuario_corrigiu": "sim|não",
+  "correcao_detectada": null|"texto-correção",
+  "correcao_valida": "sim|não|null",
+  "o_que_melhorar": null|"explicar-X-melhor",
+  "decisao": "prosseguir-passo1|reexplicar-passo6|atualizar-resposta-anterior",
+  "motivo": "texto-curtíssimo"
+}}
+""",
+    "P1_TRIAGEM": """
+METACOGNIÇÃO - TRIAGEM INICIAL.
+
+CONTEXTO VAGO: {contexto_vago}
+HISTÓRICO RECENTE (últimas 3): {historico_recente}
+P0: {p0}
+PERGUNTA: {pergunta}
+
+---
+
+CLASSIFIQUE EM TELEGRÁFICO (sem frases).
+
+RETORNE JSON:
+{{
+  "tipo": "objetiva|factual|subjetiva|aberta",
+  "sinais": ["tem-resposta-única-verificável", "sem-contexto-pessoal"],
+  "confianca": "alta|média|baixa",
+  "decisao": "responder-direto|analisar-profundamente",
+  "razao": "curtíssima",
+  "dados_fatuais": ["fato1", "fato2"],
+  "divergencias_fatuais": ["possível-ambiguidade-1"],
+  "objetivo_principal": "objetivo-primário-identificado",
+  "objetivo_secundario": ["objetivo-secundário-1"]
+}}
+""",
+    "X1_PERGUNTAS_NECESSARIAS": """
+X1-PERGUNTAS CRÍTICAS - TELEGRÁFICO
+P1: {p1}
+CONTEXTO: {historico_compacto}
+PERGUNTA PRINCIPAL: {pergunta}
+
+---
+Analise as lacunas factuais e subjetivas na pergunta do usuário e no contexto.
+Liste as perguntas essenciais que você precisa responder internamente antes de formular a resposta final.
+
+RETORNE JSON:
+{{"perguntas": [
+  {{"texto": "pergunta-curta-e-essencial", "necessidade": "alta|média|baixa", "relevancia": "alta|média"}}
+]}}
+""",
+    "X2_RESOLVER_PERGUNTAS": """
+X2-RESOLUÇÃO INTERNA - TELEGRÁFICO
+P1: {p1}
+PERGUNTAS CRÍTICAS (X1): {perguntas_x1}
+CONTEXTO: {historico_compacto}
+
+---
+Para cada pergunta crítica levantada no passo anterior, forneça uma resposta curta e direta baseada no seu conhecimento.
+Avalie sua confiança e o potencial de conflito ou ambiguidade em cada resposta.
+
+RETORNE JSON:
+{{"respostas": [
+  {{"pergunta": "texto-original-da-pergunta-x1",
+    "resposta": "resposta-curta-e-direta",
+    "confianca": "alta|média|baixa",
+    "conflito": "alto|médio|baixo",
+    "razao": "explicação-em-1-2-palavras"}}
+]}}
+""",
+    "P2_CENARIOS": """
+METACOGNIÇÃO - GERAÇÃO DE CENÁRIOS.
+CONTEXTO VAGO: {historico_compacto}
+TRIAGEM P1: {p1}
+X1-PERGUNTAS: {x1}
+X2-RESPOSTAS: {x2}
+PERGUNTA ORIGINAL: {pergunta}
+
+---
+
+Mapeie cenários possíveis onde a resposta à pergunta original mudaria significativamente. Pense nas diferentes perspectivas, contextos ou premissas que alteram a conclusão. Use formato telegráfico.
+
+RETORNE JSON:
+{{
+  "cenarios": {{
+    "provaveis": [{{"id": "C1", "desc": "cenário-provável-1-comprimido", "contexto-relevante": "descreva-o-contexto"}}]
+  }},
+  "total": 1,
+  "tipo_resposta": "múltipla|unívoca",
+  "confianca": "alta|m��dia|baixa",
+  "decisao": "prosseguir|pedir-esclarecimento",
+  "pergunta_esclarecimento": null|"texto-da-pergunta-para-o-usuario"
+}}
+""",
+    "P3_ISOLAR_CENARIOS": """
+METACOGNIÇÃO - EXPLORAÇÃO DE CENÁRIO ISOLADO.
+CENÁRIO P2: {cenario}
+
+---
+Para este cenário específico, defina a essência da resposta em formato telegráfico. Qual seria a conclusão principal e quais as lacunas de informação restantes?
+
+RETORNE JSON:
+{{"id": "{cenario_id}", 
+  "resposta_essencia": "conclusão-principal-e-razoes-em-palavras-chave", 
+  "confianca": "alta|média|baixa",
+  "lacunas": "contexto-ainda-ausente|null"
+}}
+""",
+    "P4_CRUZAR_VALIDACOES": """
+METACOGNIÇÃO - ABSTRAÇÃO DE CONHECIMENTO.
+P1 (Triagem): {p1}
+P2 (Cenários): {p2}
+P3 (Exploração): {p3}
+X2 (Respostas Internas): {x2}
+
+---
+
+Identifique os princípios fundamentais, teorias ou símbolos arquetípicos que sustentam as respostas nos cenários explorados. Abstraia o conhecimento para um nível mais alto. Use formato telegráfico.
+
+RETORNE JSON:
+{{"principios": [{{"nome": "Custo-Oportunidade", "essencia": "escolher-X-implica-renunciar-Y"}}],
+  "simbolos": [{{"nome": "Jornada-do-Herói", "essencia": "transformação-ocorre-através-de-desafios"}}],
+  "principio_central": "nome-do-principio-mais-importante",
+  "simbolo_dominante": "nome-do-simbolo-mais-relevante"
+}}
+""",
+    "P5_LACUNAS_FINAIS": """
+METACOGNIÇÃO - ANÁLISE DE INCERTEZA.
+P1 (Triagem): {p1}
+P4 (Princípios): {p4}
+
+---
+
+Avalie o balanço entre certezas e dúvidas com base em toda a análise feita até agora. A informação disponível é suficiente para dar uma resposta confiante? Use formato telegráfico.
+
+RETORNE JSON:
+{{"analise_cenarios": [{{"cenario": "C1", "certezas": ["certeza1"], "duvidas": ["dúvida1"]}}],
+  "confianca_global": "alta|média|baixa",
+  "balanco": "certezas-superam|equilibrado|duvidas-superam",
+  "decisao": "responder|questionar",
+  "questionamento": null|"texto-da-pergunta-para-o-usuario-se-a-confianca-for-baixa"
+}}
+""",
+    "P6_PONDERAR": """
+METACOGNIÇÃO - JULGAMENTO FINAL (JUIZ DA VERDADE).
+P2 (Cenários): {p2}
+P4 (Princípios): {p4}
+P5 (Lacunas): {p5}
+
+---
+
+Aja como um árbitro socrático. Com base em toda a metacognição, valide as "verdades" encontradas e decida o nível de consciência sobre a complexidade da resposta. Use formato telegráfico.
+
+RETORNE JSON:
+{{"verdade_principal": "a-conclusao-mais-provavel-e-confiavel",
+  "nuances_importantes": ["nuance1", "nuance2"],
+  "confianca_final": "alta|média|baixa",
+  "decisao": "exibir-resposta-completa|exibir-resposta-com-ressalvas|reprocessar",
+  "nivel_consciencia": "alto|médio|baixo"
+}}
+""",
+    "P7_SINTETIZAR": """
+Você é um SINTETIZADOR especialista em transformar METACOGNIÇÃO CRUA em PROSA HUMANIZADA e empática.
+
+DADOS DO JULGAMENTO (P6): {p6}
+
+---
+
+TAREFA: Converta a análise telegráfica do 'Juiz da Verdade' em uma resposta textual fluida, natural e útil para o usuário.
+
+INSTRUÇÕES:
+1.  Use conectores naturais (ex: "porque", "portanto", "isso significa que").
+2.  Expanda abreviações e jargões para uma linguagem clara.
+3.  Estruture a resposta em parágrafos lógicos (introdução, desenvolvimento, nuances/conclusão).
+4.  Incorpore os princípios e nuances de forma natural na explicação.
+5.  Adote um tom de conselheiro: amigável, empático e empoderador.
+6.  NÃO invente informações. Baseie-se estritamente nos dados do P6.
+
+RETORNE A RESPOSTA EM PROSA DENTRO DE UM JSON:
+{{"resposta": "Aqui vai o texto fluido, natural e humano..."}}
+""",
+    "P8_VERIFICAR": """
+Você é um VERIFICADOR FINAL, um guardião rigoroso da qualidade da resposta.
+
+RESPOSTA SINTETIZADA (P7): 
+{resposta_sintetizada}
+
+ANÁLISE DO JUIZ (P6): 
+{p6}
+
+---
+
+Realize uma verificação tripla na resposta sintetizada. Seja crítico.
+
+1.  **VERIFICAÇÃO FACTUAL**: A resposta contém fatos incorretos ou não sustentados pela análise do P6?
+2.  **VERIFICAÇÃO LÓGICA**: Existem falácias, saltos de lógica ou contradições? A conclusão segue a linha de raciocínio?
+3.  **VERIFICAÇÃO ÉTICA**: A resposta é apropriada, segura e imparcial? Inclui os avisos ou ressalvas necessários?
+
+RETORNE SEU VEREDITO EM JSON:
+{{"verificacao_factual": {{"aprovada": true|false, "problemas": ["descrição do problema se houver"]}},
+  "verificacao_logica": {{"aprovada": true|false, "problemas": []}},
+  "verificacao_etica": {{"aprovada": true|false, "problemas": []}},
+  "todas_aprovadas": true|false,
+  "decisao": "exibir-resposta-original|corrigir-e-exibir",
+  "resposta_corrigida": null|"texto da versão corrigida e melhorada da resposta"
+}}
+"""
+}
+
+
+# ============================================================================
+# 3. CLASSES E FUNÇÕES HELPERS
+# ============================================================================
+
+class Logger:
+    def __init__(self, verbose: bool = True):
+        self.verbose = verbose
+
+    def log(self, msg: str, level: str = "INFO"):
+        log_msg = f"[{datetime.now().strftime('%H:%M:%S')}] [{level.upper()}] {msg}"
+        if self.verbose:
+            print(log_msg)
+            if level.upper() in ["TASK", "START", "SUCCESS", "ERROR", "WARN"]:
+                print("=" * 70)
+
+logger = Logger(verbose=True)
+
+
+def processar_anexo(arquivo: Any) -> Tuple[str, str]:
+    if arquivo is None:
+        return "", "nenhum"
+    caminho_arquivo = arquivo.name
+    try:
+        if caminho_arquivo.lower().endswith('.pdf'):
+            return "[Conteúdo do PDF iria aqui]", "pdf"
+        elif any(caminho_arquivo.lower().endswith(ext) for ext in ['.png', '.jpg', '.jpeg', '.gif']):
+            return "[Dados da imagem iriam aqui]", "imagem"
+        return "", "nao_suportado"
+    except Exception as e:
+        logger.log(f"Erro ao processar anexo: {e}", "ERROR")
+        return "", "erro"
+
+
+def construir_prompt_com_anexo(pergunta: str, anexo_conteudo: str, tipo_anexo: str) -> str:
+    if not anexo_conteudo or tipo_anexo in ["nenhum", "erro", "nao_suportado"]:
+        return pergunta
+    if tipo_anexo == "pdf":
+        return f"Com base no documento PDF, responda: {pergunta}\nDOCUMENTO:\n{anexo_conteudo}"
+    if tipo_anexo == "imagem":
+        return f"Com base na imagem, responda: {pergunta}"
+    return pergunta
+
+
+def parse_json_ultra_robusto(texto: str) -> Dict:
+    if not texto:
+        return {"erro": "Texto de entrada vazio"}
+    try:
+        match = re.search(r'```(?:json)?\s*(\{.*?\})\s*```', texto, re.DOTALL)
+        if match:
+            json_str = match.group(1)
+        else:
+            json_str = texto
+        return json.loads(json_str)
+    except json.JSONDecodeError:
+        try:
+            inicio = texto.find('{')
+            fim = texto.rfind('}') + 1
+            if inicio != -1 and fim != 0:
+                return json.loads(texto[inicio:fim])
+        except json.JSONDecodeError:
+            return {"erro": "parse_falhou", "fallback_text": texto[:500]}
+
+
+def chamar_gemini_json(modelo: genai.GenerativeModel, prompt: str, temperatura: float = 0.5, max_tokens: int = 2000) -> Dict:
+    prompt_completo = f"{prompt}\n\n---\n\n**INSTRUÇÃO OBRIGATÓRIA: Sua resposta DEVE ser um único e válido objeto JSON.**"
+    
+    print("\n" + "="*25 + f" 💬 API INPUT PARA [{modelo.model_name}] " + "="*25)
+    print(prompt_completo)
+    print("="*78 + "\n")
+    logger.log(f"Enviando prompt ({len(prompt_completo)} chars) para {modelo.model_name}", "DEBUG")
+
+    try:
+        response = modelo.generate_content(
+            prompt_completo,
+            generation_config=genai.types.GenerationConfig(
+                temperature=temperatura,
+                max_output_tokens=max_tokens,
+            )
+        )
+        resposta_bruta = response.text or ""
+        
+        print("\n" + "="*25 + f" 📥 API RAW OUTPUT DE [{modelo.model_name}] " + "="*25)
+        print(resposta_bruta)
+        print("="*78 + "\n")
+        logger.log(f"Gemini RAW ({len(resposta_bruta)} chars): {resposta_bruta[:400]}...", "DEBUG")
+        
+        return parse_json_ultra_robusto(resposta_bruta)
+        
+    except Exception as e:
+        logger.log(f"Erro na chamada da API Gemini: {e}", "ERROR")
+        return {"erro": f"API_ERROR: {str(e)}"}
+
+
+def historico_compacto(historico: List[Dict]) -> str:
+    if not historico:
+        return "Nenhuma conversa anterior."
+    compacto = [f"{'User' if m['role'] == 'user' else 'Assistant'}: {m['content'][:80]}" for m in historico[-4:]]
+    return "\n".join(compacto)
+
+
+def criar_dna() -> Dict:
+    return {
+        "historico_chat": [],
+        "meta": {"total_turnos": 0},
+        "pipeline_state": {
+            "status": "completed",
+            "paused_at_step": None,
+            "saved_data": {}
+        }
+    }
+
+# ============================================================================
+# 4. PASSOS DA PIPELINE (P0-P8, X1-X2)
+# ============================================================================
+def passo_0_aluno(pergunta: str, historico: List[Dict]) -> Dict:
+    logger.log("🧠 P0-ALUNO", "TASK")
+    # Simulação para simplificar a demonstração da lógica principal
+    return {"p0_data": True}
+
+def passo_1_triagem(pergunta: str, p0: Dict, historico: List[Dict]) -> Dict:
+    logger.log("📊 P1-TRIAGEM", "TASK")
+    return {"p1_data": True}
+
+def passo_x1_perguntas_necessarias(pergunta: str, p1: Dict, historico: List[Dict]) -> Dict:
+    logger.log("❓ X1-PERGUNTAS", "TASK")
+    return {"x1_data": True}
+
+def passo_x2_resolver_perguntas(p1: Dict, x1: Dict, historico: List[Dict]) -> Dict:
+    logger.log("✅ X2-RESOLVER", "TASK")
+    return {"x2_data": True}
+
+def passo_2_cenarios(pergunta: str, p1: Dict, x1: Dict, x2: Dict, historico: List[Dict]) -> Dict:
+    logger.log("🎯 P2-CENÁRIOS", "TASK")
+    # Simulação: Para perguntas sobre "dúvida", ele pausa.
+    if "dúvida" in pergunta.lower():
+        logger.log("P2 encontrou ambiguidade. Decidindo pedir esclarecimento.", "INFO")
+        return {"decisao": "pedir-esclarecimento", "pergunta_esclarecimento": "Você pode esclarecer o ponto X sobre a sua dúvida?"}
+    return {"decisao": "prosseguir", "p2_data": True}
+
+def passo_3_isolar_cenarios(p2: Dict) -> Dict:
+    logger.log("🔍 P3-ISOLAR", "TASK")
+    return {"p3_data": True}
+
+def passo_4_cruzar_validacoes(p1: Dict, p2: Dict, p3: Dict, x2: Dict) -> Dict:
+    logger.log("🔗 P4-VALIDAÇÃO", "TASK")
+    # Simulação para o P5
+    if p2.get("p2_data"):
+        return {"principio_central": "Certeza"}
+    return {"principio_central": "Incerteza"}
+
+def passo_5_lacunas_finais(p1: Dict, p4: Dict) -> Dict:
+    logger.log("🚨 P5-LACUNAS FINAIS", "TASK")
+    # Simulação de interrupção
+    if p4.get("principio_central") == "Incerteza":
+         return {"decisao": "questionar", "questionamento": "A incerteza é muito alta. Preciso de mais dados sobre Y. Você pode fornecer?"}
+    return {"decisao": "responder", "p5_data": True}
+
+def passo_6_ponderar(p2: Dict, p4: Dict, p5: Dict) -> Dict:
+    logger.log("⚖️ P6-PONDERAR", "TASK")
+    return {"p6_data": True}
+
+def passo_7_sintetizar(p6: Dict) -> Dict:
+    logger.log("✍️ P7-SINTETIZAR", "TASK")
+    return {"resposta": "Esta é a resposta final, gerada com sucesso."}
+
+def passo_8_verificar(p6: Dict, p7: Dict) -> Dict:
+    logger.log("🛡️ P8-VERIFICAR", "TASK")
+    return {"todas_aprovadas": True, "resposta_corrigida": None}
+
+# ============================================================================
+# 5. ORQUESTRADOR PRINCIPAL
+# ============================================================================
+
+def iniciar_nova_pipeline(pergunta: str, historico: List[Dict], anexo: Any, dna: Dict) -> Tuple[str, List, Dict]:
+    logger.log(f"INICIANDO NOVA PIPELINE: '{pergunta[:50]}...'", "START")
+    
+    conteudo_anexo, tipo_anexo = processar_anexo(anexo)
+    pergunta_final = construir_prompt_com_anexo(pergunta, conteudo_anexo, tipo_anexo)
+    
+    p0 = passo_0_aluno(pergunta_final, historico)
+    p1 = passo_1_triagem(pergunta_final, p0, historico)
+    x1 = passo_x1_perguntas_necessarias(pergunta_final, p1, historico)
+    x2 = passo_x2_resolver_perguntas(p1, x1, historico)
+    p2 = passo_2_cenarios(pergunta_final, p1, x1, x2, historico)
+
+    if p2.get("decisao") == "pedir-esclarecimento":
+        logger.log("INTERRUPÇÃO no P2. Salvando estado no DNA.", "WARN")
+        dna['pipeline_state'] = {
+            "status": "paused",
+            "paused_at_step": "P2",
+            "saved_data": {
+                'p0': p0, 'p1': p1, 'x1': x1, 'x2': x2,
+                'pergunta_original': pergunta,
+                'historico_original': historico
+            }
+        }
+        esclarecimento = p2.get("pergunta_esclarecimento", "Poderia esclarecer?")
+        return f"❓ DÚVIDA: {esclarecimento}", historico, dna
+
+    p3 = passo_3_isolar_cenarios(p2)
+    p4 = passo_4_cruzar_validacoes(p1, p2, p3, x2)
+    p5 = passo_5_lacunas_finais(p1, p4)
+
+    if p5.get("decisao") == "questionar":
+        logger.log("INTERRUPÇÃO no P5. Salvando estado no DNA.", "WARN")
+        dna['pipeline_state'] = {
+            "status": "paused",
+            "paused_at_step": "P5",
+            "saved_data": {
+                'p0': p0, 'p1': p1, 'x1': x1, 'x2': x2, 'p2': p2, 'p3': p3, 'p4': p4,
+                'pergunta_original': pergunta,
+                'historico_original': historico
+            }
+        }
+        questionamento = p5.get("questionamento", "Preciso de mais informações.")
+        return f"🤔 PERGUNTA: {questionamento}", historico, dna
+
+    p6 = passo_6_ponderar(p2, p4, p5)
+    p7 = passo_7_sintetizar(p6)
+    p8 = passo_8_verificar(p6, p7)
+    
+    resposta_final = p8.get("resposta_corrigida") or p7.get("resposta", "Não foi possível gerar uma resposta.")
+    
+    novo_historico = historico + [{"role": "user", "content": pergunta}, {"role": "assistant", "content": resposta_final}]
+    dna["historico_chat"].append({"user": pergunta, "assistant": resposta_final})
+    dna["meta"]["total_turnos"] += 1
+    
+    logger.log("PIPELINE (NOVA) CONCLUÍDA COM SUCESSO", "SUCCESS")
+    return resposta_final, novo_historico, dna
+
+
+def resumir_pipeline(esclarecimento_usuario: str, dna: Dict) -> Tuple[str, List, Dict]:
+    logger.log(f"RESUMINDO PIPELINE com esclarecimento: '{esclarecimento_usuario[:50]}...'", "START")
+
+    estado_salvo = dna['pipeline_state']['saved_data']
+    ponto_parada = dna['pipeline_state']['paused_at_step']
+    historico = estado_salvo['historico_original']
+    pergunta_original = estado_salvo['pergunta_original']
+    
+    pergunta_atualizada = f"{pergunta_original}\n\n---ESCLARECIMENTO DO USUÁRIO---\n{esclarecimento_usuario}"
+
+    dna['pipeline_state'] = criar_dna()['pipeline_state']
+
+    try:
+        if ponto_parada == 'P2':
+            logger.log("Retomando a partir do passo P3...", "INFO")
+            p1, x1, x2 = estado_salvo['p1'], estado_salvo['x1'], estado_salvo['x2']
+            p2_novo = passo_2_cenarios(pergunta_atualizada, p1, x1, x2, historico)
+
+            p3 = passo_3_isolar_cenarios(p2_novo)
+            p4 = passo_4_cruzar_validacoes(p1, p2_novo, p3, x2)
+            p5 = passo_5_lacunas_finais(p1, p4)
+            p6 = passo_6_ponderar(p2_novo, p4, p5)
+
+        elif ponto_parada == 'P5':
+            logger.log("Retomando a partir do passo P6...", "INFO")
+            p1, p2, p4 = estado_salvo['p1'], estado_salvo['p2'], estado_salvo['p4']
+            p5_novo = passo_5_lacunas_finais(p1, p4)
+            p6 = passo_6_ponderar(p2, p4, p5_novo)
+        
+        else:
+            raise ValueError(f"Ponto de parada desconhecido: {ponto_parada}")
+
+        p7 = passo_7_sintetizar(p6)
+        p8 = passo_8_verificar(p6, p7)
+        
+        resposta_final = p8.get("resposta_corrigida") or p7.get("resposta", "Não foi possível gerar uma resposta.")
+
+    except Exception as e:
+        logger.log(f"Erro ao resumir a pipeline: {e}", "ERROR")
+        return f"Ocorreu um erro ao processar seu esclarecimento: {e}", historico, dna
+
+    novo_historico = historico + [{"role": "user", "content": pergunta_original}, {"role": "assistant", "content": resposta_final}]
+    dna["historico_chat"].append({"user": pergunta_original, "assistant": resposta_final})
+    dna["meta"]["total_turnos"] += 1
+    
+    logger.log("PIPELINE (RESUMIDA) CONCLUÍDA COM SUCESSO", "SUCCESS")
+    return resposta_final, novo_historico, dna
+
+
+def executar_pipeline(pergunta: str, historico: List[Dict], anexo: Any, dna: Dict) -> Tuple[str, List, Dict]:
+    if 'pipeline_state' not in dna or 'status' not in dna['pipeline_state']:
+        dna['pipeline_state'] = criar_dna()['pipeline_state']
+
+    if dna['pipeline_state']['status'] == 'paused':
+        return resumir_pipeline(pergunta, dna)
+    else:
+        return iniciar_nova_pipeline(pergunta, historico, anexo, dna)
+
+# ============================================================================
+# 6. INTERFACE COM GRADIO
+# ============================================================================
+def converter_historico_de_gradio(historico_gradio: List[List[str]]) -> List[Dict]:
+    historico_interno = []
+    if not historico_gradio:
+        return historico_interno
+    for turno in historico_gradio:
+        pergunta = turno[0] if turno and turno[0] is not None else ""
+        resposta = turno[1] if turno and len(turno) > 1 and turno[1] is not None else ""
+        if pergunta:
+            historico_interno.append({"role": "user", "content": pergunta})
+        if resposta:
+            historico_interno.append({"role": "assistant", "content": resposta})
+    return historico_interno
+
+def converter_historico_para_gradio(historico_interno: List[Dict]) -> List[List[str]]:
+    historico_gradio = []
+    if not historico_interno:
+        return historico_gradio
+    for i in range(0, len(historico_interno), 2):
+        if i + 1 < len(historico_interno):
+            pergunta = historico_interno[i]['content']
+            resposta = historico_interno[i+1]['content']
+            historico_gradio.append([pergunta, resposta])
+    return historico_gradio
+
+def chat_interface(pergunta: str, historico_gradio: List[List[str]], anexo: Any, dna_json_str: str) -> Tuple[List, str, str, None]:
+    try:
+        dna = json.loads(dna_json_str) if dna_json_str and dna_json_str.strip() else criar_dna()
+    except (json.JSONDecodeError, TypeError):
+        dna = criar_dna()
+
+    historico_interno = converter_historico_de_gradio(historico_gradio)
+    
+    resposta, novo_historico_interno, dna_atualizado = executar_pipeline(pergunta, historico_interno, anexo, dna)
+    
+    novo_historico_gradio = converter_historico_para_gradio(novo_historico_interno)
+    
+    return novo_historico_gradio, "", json.dumps(dna_atualizado, indent=2, ensure_ascii=False), None
+
+# --- Bloco de Execução Principal ---
+if __name__ == "__main__":
+    with gr.Blocks(title="Pipeline v10 com Pausa/Retomada", theme=gr.themes.Soft()) as demo:
+        gr.Markdown(TITLE)
+        
+        with gr.Row():
+            with gr.Column(scale=3):
+                chatbot = gr.Chatbot(label="Chat", height=600, bubble_full_width=False)
+            with gr.Column(scale=1):
+                dna_view = gr.Code(label="DNA (Estado da Conversa)", language="json", interactive=False,
+                                   value=json.dumps(criar_dna(), indent=2, ensure_ascii=False))
+                file_upload = gr.File(label="Anexar Arquivo")
+        
+        with gr.Row():
+            input_textbox = gr.Textbox(
+                label="Digite sua pergunta ou esclarecimento aqui...",
+                placeholder="Ex: Qual a melhor estratégia para... / Sobre o ponto X, quero dizer que...",
+                lines=3,
+                scale=4,
+            )
+            submit_button = gr.Button("🚀 Enviar", variant="primary", scale=1)
+
+        dna_json_hidden = gr.Textbox(value=json.dumps(criar_dna()), visible=False)
+
+        submit_button.click(
+            fn=chat_interface,
+            inputs=[input_textbox, chatbot, file_upload, dna_json_hidden],
+            outputs=[chatbot, input_textbox, dna_json_hidden, file_upload]
+        )
+        input_textbox.submit(
+            fn=chat_interface,
+            inputs=[input_textbox, chatbot, file_upload, dna_json_hidden],
+            outputs=[chatbot, input_textbox, dna_json_hidden, file_upload]
+        )
+        dna_json_hidden.change(
+            fn=lambda x: x,
+            inputs=[dna_json_hidden],
+            outputs=[dna_view]
+        )
+
+    demo.launch(server_name="0.0.0.0", server_port=7860, share=False)