Upload ai_studio_code (19).py

ai_studio_code (19).py

@@ -0,0 +1,446 @@
+--- START OF FILE app.py ---
+
+# -*- coding: utf-8 -*-
+"""
+Pipeline v10 - CÓDIGO FINAL E COESO
+
+Características:
+- Memória API: Passagem de histórico em genai.types.Content para contexto.
+- Robustez: Chamada de API V1 com correções para Tools/ThinkingConfig.
+- Prompts Dinâmicos: Carregamento, salvamento e edição dinâmica.
+- Auditoria: Histórico de Governança compactado no DNA (últimos 10 turnos).
+"""
+
+# ============================================================================
+# 1. IMPORTAÇÕES E CONFIGURAÇÃO INICIAL
+# ============================================================================
+import json
+import os
+import re
+import warnings
+from datetime import datetime
+from typing import Dict, List, Tuple, Any
+
+import gradio as gr
+
+from google import genai
+from google.genai import types
+
+# Define o nome do arquivo de prompts para uso centralizado
+PROMPT_FILENAME = "prompts_pipeline.json"
+
+warnings.filterwarnings("ignore", category=FutureWarning, module="google.api_core")
+
+# --- Classes de Utilidade: LOGGER (Movido para garantir a definição inicial) ---
+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}"; print(log_msg)
+        if level.upper() in ["TASK", "START", "SUCCESS", "ERROR", "WARN"]: print("=" * 70)
+        
+# INSTÂNCIA DO LOGGER
+logger = Logger(verbose=True)
+
+# --- Configuração da API ---
+API_KEY = os.getenv("GOOGLE_API_KEY")
+if not API_KEY:
+    raise ValueError("A variável de ambiente GOOGLE_API_KEY não foi configurada.")
+
+CLIENT = genai.Client(api_key=API_KEY)
+
+# --- Definição dos Modelos e Título ---
+COUNSELOR_MODEL_NAME = "gemini-2.5-pro"
+SUPERVISOR_MODEL_NAME = "gemini-2.5-pro" 
+TITLE = "# 🚀 Pipeline v10 | Governanca e Memória API"
+
+# ============================================================================
+# 2. PROMPTS CENTRALIZADOS (FUNÇÕES DE CARREGAMENTO/SALVAMENTO)
+# ============================================================================
+PROMPTS = {} # Variável global para os prompts em memória
+
+# Placeholder de fallback completo (para uso direto)
+FALLBACK_PROMPTS = {
+    "P1_TRIAGEM": "METACOGNIÇÃO - TRIAGEM INICIAL.\nPERGUNTA: {pergunta}\n---\nAnalise a PERGUNTA do usuário e o histórico de conversa. Sua função é CLASSIFICAR e TOMAR UMA DECISÃO.\n\n### CRITÉRIOS DE CLASSIFICAÇÃO\n1.  **tipo**: 'factual', 'objetiva_tecnica', ou 'subjetiva_complexa'.\n2.  **confianca**: 'extrema', 'alta', 'media', 'baixa', ou 'insuficiente'.\n### DECISÃO\n-   'responder_direto': Use para 'factual' com confiança 'extrema' ou 'alta'.\n-   'analisar_profundamente': Use para todas as outras combinações.\nRETORNE JSON: {{\"tipo\": \"...\", \"confianca\": \"...\", \"decisao\": \"responder_direto|analisar_profundamente\"}}",
+    "GERAR_RESPOSTA_DIRETA": "TAREFA: Resposta Direta (Bypass).\nPERGUNTA: \"{pergunta}\"\n---\nConsiderando o histórico de conversa (memória), forneça uma resposta completa, precisa e concisa para a última PERGUNTA do usuário.\nRETORNE JSON: {{\"resposta_direta\": \"Sua resposta concisa e precisa aqui.\"}}",
+    "JUSTIFICAR_BYPASS": "METACOGNIÇÃO - JUSTIFICATIVA DE BYPASS.\nANÁLISE (P1): {p1}\n---\nJustifique, para a governança interna, por que a pipeline de raciocínio profundo foi pulada com base na Triagem P1 (JSON fornecido).\nRETORNE JSON: {{\"justificativa_bypass\": {{\"motivo\": \"A pergunta foi classificada como ... e a confiança era ....\", \"acao_tomada\": \"...\", \"proximo_passo\": \"...\", \"p1_decisao\": {p1}}}}}",
+    "P2_CENARIOS": "METACOGNIÇÃO - GERAÇÃO DE CENÁRIOS.\nANÁLISE (P1): {p1}, PERGUNTA: {pergunta}\n---\nCrie 2 cenários prováveis que VALIDAM e 2 cenários IMPROVÁVEIS que REFUTAM o princípio inerente da pergunta.\nRETORNE JSON: {{\"cenarios\": {{\"provaveis\": [\"Fato/Cenário que Valida 1\", \"Fato/Cenário que Valida 2\"], \"improvaveis\": [\"Fato/Cenário que Refuta 1\", \"Fato/Cenário que Refuta 2\"]}}, \"decisao\": \"prosseguir para as próximas validações.\"}}",
+    "P4_CRUZAR_VALIDACOES": "METACOGNIÇÃO - ABSTRAÇÃO E FUNDAMENTO.\nANÁLISES ANTERIORES: P1(Triagem): {p1}, P2(Cenários): {p2}, P3(Isolamento Simulado): {p3}\n---\nCruze as análises. Identifique o Princípio Central/Fundamento que guiará a resposta.\nRETORNE JSON: {{\"principio_central\": \"O Princípio Central da discussão é ...\", \"analise_de_inconsistencia\": \"...\", \"status_analise\": \"FUNDAMENTO_OK\"}}",
+    "P5_LACUNAS_FINAIS": "METACOGNIÇÃO - ANÁLISE DE INCERTEZA.\nPRINCÍPIO CENTRAL (P4): {p4}, PERGUNTA: {pergunta}\n---\nIdentifique a(s) lacuna(s) de informação.\n- Decisão: 'continuar' (pode resolver a incerteza) ou 'questionar' (precisa do dado do usuário).\nRETORNE JSON: {{\"pontos_de_incerteza\": [\"Detalhe 1\", \"Detalhe 2\"], \"decisao_interna\": \"questionar|continuar\", \"pergunta_chave_para_usuario\": \"Sua pergunta para o usuário (ou null se for 'continuar').\"}}",
+    "P7_SINTETIZAR": "SINTETIZADOR.\nDADOS CRÍTICOS (P6: Ponderação Final): {p6}\n---\nConverta todo o raciocínio profundo em uma RESPOSTA FINAL coesa e completa.\nRETORNE JSON: {{\"resposta\": \"Sua resposta completa aqui. Deve ser direta e refletir a profundidade da análise executada.\"}}",
+    "P8_VERIFICAR": "VERIFICADOR FINAL (SUPERVISOR DE QUALIDADE).\nRESPOSTA A VERIFICAR: {resposta_a_verificar}\n---\nRealize a verificação tripla (Factual, Lógica, Clareza). Se for necessário, corrija.\nRETORNE JSON: {{\"todas_aprovadas\": true|false, \"erros_encontrados\": \"...\", \"resposta_corrigida\": null}} (Se true) ou {{\"todas_aprovadas\": false, \"erros_encontrados\": \"...\", \"resposta_corrigida\": \"[Novo Texto Final e Corrigido].\"}} (Se false)"
+}
+
+
+def carregar_prompts_externos(filename: str = PROMPT_FILENAME) -> Dict:
+    """Carrega prompts do arquivo ou retorna o fallback."""
+    try:
+        with open(filename, 'r', encoding='utf-8') as f:
+            full_prompts = json.load(f)
+            if not all(key in full_prompts for key in FALLBACK_PROMPTS.keys()):
+                raise ValueError("O arquivo de prompts está incompleto ou malformatado.")
+            logger.log(f"Prompts carregados com sucesso do arquivo: {filename}", "SUCCESS")
+            return full_prompts
+    except Exception as e:
+        logger.log(f"Não foi possível carregar os prompts externos: {e}. Usando FALLBACK.", "ERROR")
+        return FALLBACK_PROMPTS 
+
+def get_prompts_raw_text(filename: str = PROMPT_FILENAME) -> str:
+    """Lê o arquivo de prompts como texto bruto para o editor do Gradio, ou retorna fallback."""
+    try:
+        if not os.path.exists(filename):
+            return json.dumps(FALLBACK_PROMPTS, indent=2, ensure_ascii=False)
+        with open(filename, 'r', encoding='utf-8') as f:
+            return f.read()
+    except:
+        return json.dumps({"erro": "Não foi possível ler o arquivo."}, indent=2, ensure_ascii=False)
+
+def salvar_e_recarregar_prompts(new_prompts_json_str: str) -> str:
+    """Salva o novo JSON no arquivo e recarrega a variável PROMPTS global."""
+    global PROMPTS 
+    try:
+        novo_dicionario = json.loads(new_prompts_json_str)
+        with open(PROMPT_FILENAME, 'w', encoding='utf-8') as f:
+            json.dump(novo_dicionario, f, indent=2, ensure_ascii=False)
+        PROMPTS = novo_dicionario
+        logger.log(f"Novo arquivo de prompts salvo e recarregado com sucesso.", "SUCCESS")
+        return f"✅ SUCESSO! Prompts salvos em {PROMPT_FILENAME} e variáveis em memória atualizadas. Última atualização: {datetime.now().strftime('%H:%M:%S')}."
+    except json.JSONDecodeError:
+        logger.log("ERRO: O JSON enviado é inválido. Não foi possível salvar ou recarregar.", "ERROR")
+        return "❌ ERRO: O JSON enviado está malformado. Corrija o JSON antes de salvar."
+    except Exception as e:
+        logger.log(f"ERRO CRÍTICO no servidor: Falha ao escrever o arquivo. Detalhes: {e}", "ERROR")
+        return f"❌ ERRO CRÍTICO no servidor: Falha ao escrever o arquivo. Detalhes: {e}"
+
+# INICIALIZAÇÃO OBRIGATÓRIA DA VARIÁVEL GLOBAL DE PROMPTS
+PROMPTS = carregar_prompts_externos()
+
+
+# ============================================================================
+# 3. CLASSES E FUNÇÕES HELPERS ADICIONAIS
+# ============================================================================
+def sanitizar_texto(texto: str) -> str:
+    if not isinstance(texto, str): return ""
+    texto_limpo = re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f]', '', texto)
+    texto_limpo = re.sub(r'\s{2,}', ' ', texto_limpo).replace('\\n', '\n')
+    return texto_limpo.strip()
+
+def to_gemini_contents(historico: List[Dict]) -> List[types.Content]:
+    """Converte o histórico Gradio-compatível para o formato genai.types.Content (user/model)."""
+    gemini_contents = []
+    for entry in historico:
+        role = "model" if entry["role"] == "assistant" else "user"
+        content_for_api = re.sub(r'\*\*JUSTIFICATIVA DE RESPOSTA DIRETA:\*\*.*?\-\-\-\n\n', '', entry["content"], flags=re.DOTALL)
+        if content_for_api:
+            gemini_contents.append(
+                types.Content(
+                    role=role,
+                    parts=[types.Part.from_text(text=content_for_api)]
+                )
+            )
+    return gemini_contents
+
+def chamar_gemini_json(model_name: str, prompt: str, 
+                       historico_conversa: List[types.Content] = None, 
+                       temperatura: float = 0.4, max_tokens: int = 8192) -> Dict:
+    prompt_completo = f"{prompt}\n\n---\n\n**INSTRUÇÃO CRÍTICA: Não use formatação Markdown. Sua resposta DEVE ser estritamente um único objeto JSON válido.**"
+    try:
+        contents = historico_conversa if historico_conversa else []
+        contents.append(types.Content(role="user", parts=[types.Part.from_text(text=prompt_completo)]))
+        tools = [types.Tool(google_search=types.GoogleSearch())]
+        generate_content_config = types.GenerateContentConfig(
+            temperature=temperatura,
+            max_output_tokens=max_tokens,
+            thinking_config=types.ThinkingConfig(thinking_budget=8192), 
+            tools=tools
+        )
+        stream = CLIENT.models.generate_content_stream(model=model_name, contents=contents, config=generate_content_config)
+        
+        resposta_bruta = "".join(chunk.text for chunk in stream if chunk.text)
+        resposta_sanitizada = sanitizar_texto(resposta_bruta)
+
+        if not resposta_sanitizada:
+            return {"erro": "API_EMPTY_RESPONSE"}
+        
+        match = re.search(r'\{.*\}', resposta_sanitizada, re.DOTALL)
+        if match:
+            return json.loads(match.group(0))
+        else:
+             return json.loads(resposta_sanitizada)
+
+    except Exception as e:
+        logger.log(f"Falha na chamada da API ou no parse do JSON: {e}", "ERROR")
+        return {"erro": "API_CALL_FAILED", "detalhes": str(e)}
+
+def criar_dna() -> Dict:
+    return { 
+        "historico_governanca": [], 
+        "meta": {"total_turnos": 0}, 
+        "pipeline_state": { "status": "completed", "paused_at_step": None, "saved_data": {} },
+        "P1_data": {}, "P2_data": {}, "P4_data": {}, "P5_data": {}, "P8_data": {},
+    }
+
+def formatar_dna_json(data: Dict) -> str:
+    """Retorna um JSON formatado com dois espaços de indentação."""
+    try:
+        return json.dumps(data, indent=2, ensure_ascii=False)
+    except:
+        return f"Erro ao serializar dados: {data}"
+
+
+# ============================================================================
+# 4. PASSOS DA PIPELINE
+# ============================================================================
+def passo_1_triagem(pergunta: str, dna: Dict, historico_memoria: List[types.Content]) -> Tuple[Dict, Dict]:
+    logger.log("📊 PASSO 1: TRIAGEM INICIAL", "TASK")
+    p1 = chamar_gemini_json(COUNSELOR_MODEL_NAME, PROMPTS["P1_TRIAGEM"].format(pergunta=pergunta), historico_conversa=historico_memoria)
+    dna["P1_data"] = p1
+    return p1, dna
+def passo_gerar_resposta_direta(pergunta: str, historico_memoria: List[types.Content]) -> Dict:
+    logger.log("⚡ FAST PATH: GERANDO RESPOSTA DIRETA", "TASK")
+    return chamar_gemini_json(COUNSELOR_MODEL_NAME, PROMPTS["GERAR_RESPOSTA_DIRETA"].format(pergunta=pergunta), historico_conversa=historico_memoria)
+def passo_justificar_bypass(p1: Dict) -> Dict:
+    logger.log("⚡ FAST PATH: GERANDO JUSTIFICATIVA", "TASK")
+    return chamar_gemini_json(COUNSELOR_MODEL_NAME, PROMPTS["JUSTIFICAR_BYPASS"].format(p1=json.dumps(p1)))
+def passo_2_cenarios(pergunta: str, p1: Dict, dna: Dict) -> Tuple[Dict, Dict]:
+    logger.log("🧠 PASSO 2: GERAÇÃO DE CENÁRIOS", "TASK")
+    p2 = chamar_gemini_json(COUNSELOR_MODEL_NAME, PROMPTS["P2_CENARIOS"].format(p1=json.dumps(p1), pergunta=pergunta))
+    dna["P2_data"] = p2
+    return p2, dna
+def passo_4_cruzar_validacoes(p1: Dict, p2: Dict, p3: Dict, dna: Dict) -> Tuple[Dict, Dict]:
+    logger.log("🧠 PASSO 4: IDENTIFICAÇÃO DO PRINCÍPIO CENTRAL", "TASK")
+    p4 = chamar_gemini_json(COUNSELOR_MODEL_NAME, PROMPTS["P4_CRUZAR_VALIDACOES"].format(p1=json.dumps(p1), p2=json.dumps(p2), p3=json.dumps(p3)))
+    dna["P4_data"] = p4
+    return p4, dna
+def passo_5_lacunas_finais(pergunta: str, p4: Dict, dna: Dict) -> Tuple[Dict, Dict]:
+    logger.log("🧠 PASSO 5: ANÁLISE DE INCERTEZA", "TASK")
+    p5 = chamar_gemini_json(COUNSELOR_MODEL_NAME, PROMPTS["P5_LACUNAS_FINAIS"].format(p4=json.dumps(p4), pergunta=pergunta))
+    dna["P5_data"] = p5
+    return p5, dna
+def passo_8_verificar(resposta_a_verificar: str, dna: Dict) -> Tuple[Dict, Dict]:
+    logger.log("✅ PASSO 8: VERIFICAÇÃO FINAL", "TASK")
+    p8 = chamar_gemini_json(SUPERVISOR_MODEL_NAME, PROMPTS["P8_VERIFICAR"].format(resposta_a_verificar=resposta_a_verificar))
+    dna["P8_data"] = p8
+    return p8, dna
+# Simulado
+def passo_3_isolar_cenarios(p2: Dict) -> Dict: return {"simulado": True}
+def passo_6_ponderar(p2: Dict, p4: Dict, p5: Dict) -> Dict: return {"simulado": True}
+def passo_7_sintetizar(p6: Dict) -> Dict: return {"resposta": "Resposta sintetizada vinda da pipeline completa (simulado)."}
+
+
+# ============================================================================
+# 5. ORQUESTRADOR PRINCIPAL
+# ============================================================================
+def salvar_governanca(dna: Dict, pergunta: str, tipo: str, **data) -> None:
+    """Salva o registro da iteração de governança."""
+    entry = {"turno": dna['meta']['total_turnos'], "timestamp": datetime.now().strftime('%H:%M:%S'), "tipo": tipo, "pergunta": pergunta, **data}
+    dna["historico_governanca"].append(entry)
+    if len(dna["historico_governanca"]) > 10:
+        dna["historico_governanca"] = dna["historico_governanca"][-10:]
+
+def iniciar_nova_pipeline(pergunta_original: str, historico: List[Dict], anexo: Any, dna: Dict, historico_memoria: List[types.Content]) -> Tuple[str, List, Dict]: 
+    pergunta = sanitizar_texto(pergunta_original)
+    
+    p1, dna = passo_1_triagem(pergunta, dna, historico_memoria)
+    if "erro" in p1: return f"Erro na Triagem: {p1.get('detalhes', 'Não foi possível classificar a pergunta.')}", historico, dna
+
+    # FAST PATH
+    if p1.get("decisao") == "responder_direto":
+        resposta_direta_data = passo_gerar_resposta_direta(pergunta, historico_memoria) 
+        justificativa_data = passo_justificar_bypass(p1)
+        if "erro" in resposta_direta_data: 
+             return f"Erro ao gerar a resposta direta: {resposta_direta_data['detalhes']}", historico, dna
+        
+        resposta_direta = resposta_direta_data.get("resposta_direta", "Não foi possível gerar a resposta.")
+        justificativa = justificativa_data.get("justificativa_bypass", {})
+        verificacao, dna = passo_8_verificar(resposta_direta, dna)
+        resposta_final = verificacao.get("resposta_corrigida") or resposta_direta
+        
+        justificativa_texto = f"**JUSTIFICATIVA DE RESPOSTA DIRETA:**\n- **Tipo/Confiança (P1):** {p1.get('tipo', 'N/A')}/{p1.get('confianca', 'N/A')}\n- **Motivo:** {justificativa.get('motivo', 'N/A')}\n\n---\n"
+        resposta_formatada = justificativa_texto + resposta_final
+        
+        novo_historico = historico + [{"role": "user", "content": pergunta_original}, {"role": "assistant", "content": resposta_formatada}]
+        salvar_governanca(dna, pergunta_original, "FAST_PATH", p1=p1, p8=verificacao) 
+        return "PIPELINE_COMPLETED", novo_historico, dna
+        
+    # FULL PATH
+    else: 
+        p2, dna = passo_2_cenarios(pergunta, p1, dna)
+        p3 = passo_3_isolar_cenarios(p2)
+        p4, dna = passo_4_cruzar_validacoes(p1, p2, p3, dna)
+        p5, dna = passo_5_lacunas_finais(pergunta, p4, dna)
+
+        if p5.get("decisao_interna") == "questionar":
+            salvar_governanca(dna, pergunta_original, "FULL_PATH_PAUSA", p1=p1, p5=p5)
+            dna['pipeline_state'] = {"status": "paused", "paused_at_step": "P5", "saved_data": {'p1':p1, 'p2':p2, 'p3':p3, 'p4':p4, 'pergunta_original': pergunta, 'historico_original': historico}}
+            pergunta_do_bot = p5.get('pergunta_chave_para_usuario', 'Preciso de mais informações.')
+            historico_atualizado = historico + [{"role": "user", "content": pergunta_original}, {"role": "assistant", "content": pergunta_do_bot}]
+            return "PIPELINE_PAUSED", historico_atualizado, dna
+        
+        p6 = passo_6_ponderar(p2, p4, p5)
+        p7 = passo_7_sintetizar(p6)
+        p8, dna = passo_8_verificar(p7.get("resposta", ""), dna)
+        
+        resposta_final = p8.get("resposta_corrigida") or p7.get("resposta", "Não foi possível gerar a resposta.")
+        novo_historico = historico + [{"role": "user", "content": pergunta_original}, {"role": "assistant", "content": resposta_final}]
+        dna['pipeline_state']['status'] = 'completed' 
+        
+        salvar_governanca(dna, pergunta_original, "FULL_PATH_CONCLUIDO", p1=p1, p2=p2, p4=p4, p5=p5, p8=p8)
+        return "PIPELINE_COMPLETED", novo_historico, dna
+
+def resumir_pipeline(esclarecimento_usuario_original: str, dna: Dict, historico_memoria: List[types.Content]) -> Tuple[str, List, Dict]:
+    # Lógica de Retomada Simulada
+    dados_salvos = dna['pipeline_state']['saved_data']
+    resposta = "RESUMIDO! A pipeline (pausada) foi retomada com o seu esclarecimento, mas a lógica de retomada completa precisa ser implementada."
+    dna['pipeline_state']['status'] = 'completed'
+    historico_atualizado = dados_salvos['historico_original'] + [{"role": "user", "content": esclarecimento_usuario_original}, {"role": "assistant", "content": resposta}]
+    salvar_governanca(dna, esclarecimento_usuario_original, "RETOMADA_SIMULADA", p_resumido=True, status="P_COMPLETED")
+    return "PIPELINE_COMPLETED", historico_atualizado, dna
+
+def executar_pipeline(pergunta: str, historico: List[Dict], anexo: Any, dna: Dict, historico_memoria: List[types.Content]) -> Tuple[str, List, Dict]:
+    try:
+        if 'pipeline_state' not in dna: dna.update(criar_dna())
+        dna['meta']['total_turnos'] = dna['meta'].get('total_turnos', 0) + 1
+        
+        if dna['pipeline_state']['status'] == 'paused':
+            return resumir_pipeline(pergunta, dna, historico_memoria)
+
+        for key in ["P1_data", "P2_data", "P4_data", "P5_data", "P8_data"]:
+             dna[key] = {}
+            
+        return iniciar_nova_pipeline(pergunta, historico, anexo, dna, historico_memoria)
+        
+    except Exception as e:
+        logger.log(f"Erro catastrófico no orquestrador: {e}", "ERROR")
+        resposta_erro = f"Ocorreu um erro inesperado na pipeline: {e}"
+        dna['pipeline_state']['status'] = 'error'
+        salvar_governanca(dna, pergunta, "ERRO_CATASTRÓFICO", erro=str(e))
+        return "PIPELINE_ERROR", historico + [{"role": "user", "content": pergunta}, {"role": "assistant", "content": resposta_erro}], dna
+
+
+# ============================================================================
+# 6. INTERFACE COM GRADIO 
+# ============================================================================
+
+def chat_interface(pergunta: str, historico_gradio: List[List[str]], anexo: Any, dna_json_str: str) -> Tuple[List, str, str, None, str, str, str, str, str, str, str]: 
+    
+    try:
+        dna = json.loads(dna_json_str) if dna_json_str and dna_json_str.strip() else criar_dna()
+    except:
+        dna = criar_dna()
+        
+    # Prepara o histórico
+    historico_interno = []
+    for turno in historico_gradio:
+        if turno and turno[0]: historico_interno.append({"role": "user", "content": turno[0]})
+        if turno and turno[1]: historico_interno.append({"role": "assistant", "content": turno[1]})
+
+    historico_para_gemini = to_gemini_contents(historico_interno)
+
+    # Execução
+    _ , novo_historico_para_exibir, dna_atualizado = executar_pipeline(pergunta, historico_interno, anexo, dna, historico_para_gemini)
+    
+    # Conversão de Outputs
+    novo_historico_gradio = []
+    for i in range(0, len(novo_historico_para_exibir), 2):
+        user_msg = novo_historico_para_exibir[i]['content']
+        assistant_msg = novo_historico_para_exibir[i+1]['content'] if i + 1 < len(novo_historico_para_exibir) else ""
+        novo_historico_gradio.append([user_msg, assistant_msg])
+
+    dna_completo_str = formatar_dna_json(dna_atualizado)
+    p1_data_str = formatar_dna_json(dna_atualizado.get('P1_data', {}))
+    p2_data_str = formatar_dna_json(dna_atualizado.get('P2_data', {}))
+    p4_data_str = formatar_dna_json(dna_atualizado.get('P4_data', {}))
+    p5_data_str = formatar_dna_json(dna_atualizado.get('P5_data', {}))
+    p8_data_str = formatar_dna_json(dna_atualizado.get('P8_data', {}))
+    historico_gov_str = formatar_dna_json(dna_atualizado.get('historico_governanca', []))
+    
+    return (novo_historico_gradio, 
+            "", 
+            json.dumps(dna_atualizado, indent=2, ensure_ascii=False), 
+            None, 
+            dna_completo_str, 
+            p1_data_str, 
+            p2_data_str,  
+            p4_data_str,  
+            p5_data_str,  
+            p8_data_str,  
+            historico_gov_str 
+           )
+
+
+if __name__ == "__main__":
+    prompts_text_inicial = get_prompts_raw_text()
+    
+    with gr.Blocks(title="Pipeline v10 - Raciocínio Adaptativo", theme=gr.themes.Soft()) as demo:
+        
+        # Variáveis de Visualização (Debug/Governança)
+        p1_out = gr.Code(label="1. TRIAGEM (P1)", language="json", interactive=False, value="{}")
+        p2_out = gr.Code(label="2. CENÁRIOS (P2)", language="json", interactive=False, value="{}")
+        p4_out = gr.Code(label="4. PRINCÍPIO (P4)", language="json", interactive=False, value="{}")
+        p5_out = gr.Code(label="5. LACUNAS/DECISÃO (P5)", language="json", interactive=False, value="{}")
+        p8_out = gr.Code(label="8. VERIFICAÇÃO (P8)", language="json", interactive=False, value="{}")
+        gov_out = gr.Code(label=f"Histórico de Governança (Últimos 10 Turnos)", language="json", interactive=False, value="[]")
+
+        gr.Markdown(TITLE)
+
+        with gr.Tab("💬 Chat e Resposta"):
+            with gr.Row():
+                with gr.Column(scale=3):
+                    chatbot = gr.Chatbot(label="Chat", height=500, bubble_full_width=False)
+                    input_textbox = gr.Textbox(label="Digite sua pergunta...", lines=3)
+                    with gr.Row():
+                        submit_button = gr.Button("🚀 Enviar", variant="primary", scale=1)
+                        file_upload = gr.File(label="Anexar Arquivo", scale=1)
+
+                with gr.Column(scale=2):
+                    dna_json_hidden = gr.Textbox(value=json.dumps(criar_dna()), visible=False)
+                    dna_view = gr.Code(label="DNA (Estado Completo da Conversa/Meta-Dados)", language="json", interactive=False, value=json.dumps(criar_dna(), indent=2, ensure_ascii=False))
+                    
+                    with gr.Group():
+                        with gr.Accordion("📜 Ver Histórico de Governança", open=False):
+                            gov_out.render()
+
+
+        with gr.Tab("🛠️ Debug da Pipeline"):
+             gr.Markdown("## Visualização JSON por Passo do TURNO ATUAL")
+             with gr.Row():
+                 p1_out.render()
+                 p2_out.render()
+             with gr.Row():
+                 p4_out.render()
+                 p5_out.render()
+             with gr.Row():
+                 p8_out.render()
+
+        with gr.Tab("📝 Editor de Prompts"):
+             gr.Markdown(f"## Editor Dinâmico de Prompts ({PROMPT_FILENAME})")
+             prompts_editor = gr.Code(label="Conteúdo do JSON de Prompts", language="json", value=prompts_text_inicial, interactive=True, lines=30)
+             save_button = gr.Button("💾 SALVAR E RECARREGAR PROMPTS NO SERVIDOR", variant="stop")
+             save_status = gr.Textbox(label="Status do Servidor", interactive=False)
+             
+             save_button.click(fn=salvar_e_recarregar_prompts, inputs=[prompts_editor], outputs=[save_status])
+
+
+        # Mapeamento Completo de Inputs e Outputs (11 Saídas)
+        fn_args = {
+            "fn": chat_interface, 
+            "inputs": [input_textbox, chatbot, file_upload, dna_json_hidden], 
+            "outputs": [chatbot, 
+                        input_textbox, 
+                        dna_json_hidden, 
+                        file_upload,
+                        dna_view,    
+                        p1_out,      
+                        p2_out,      
+                        p4_out,      
+                        p5_out,      
+                        p8_out,      
+                        gov_out      
+                       ]
+        }
+        
+        submit_button.click(**fn_args)
+        input_textbox.submit(**fn_args)
+        
+    demo.launch(server_name="0.0.0.0", server_port=7860, share=False)
+--- END OF FILE app.py ---