Delete app.py

app.py

@@ -1,333 +0,0 @@
-# -*- coding: utf-8 -*-
-"""
-Pipeline v10 Refatorada - Chatbot com Metacognição Pura e Verificação.
-
-Esta aplicação 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.
-
-Principais características:
-- Orquestração de múltiplos modelos (Counselor e Supervisor).
-- Passos de metacognição para análise interna do problema.
-- Geração e avaliação de múltiplos cenários de resposta.
-- Verificação final de fatos, lógica e ética.
-- Estrutura robusta para parsing de JSON e tratamento de anexos.
-"""
-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
-# Ignora avisos futuros de dependências da API do Google
-warnings.filterwarnings("ignore", category=FutureWarning, module="google.api_core")
-
-# ============================================================================
-# 1. CONFIGURAÇÃO E INICIALIZAÇÃO
-# ============================================================================
-
-# Carrega a chave da API a partir de variáveis de ambiente.
-# É uma prática de segurança recomendada para não expor chaves no código.
-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)
-
-# Modelos utilizados na pipeline:
-# - Counselor: Responsável pela maior parte da análise e raciocínio.
-# - Supervisor: Responsável pela verificação final de qualidade.
-COUNSELOR_MODEL = genai.GenerativeModel("gemini-2.0-flash")
-SUPERVISOR_MODEL = genai.GenerativeModel("gemini-2.0-flash")
-
-TITLE = "# 🚀 Pipeline v10 REATORADA\n**P0-P1 → X1-X2 → P2-P8 (com Metacognição Pura e Verificação)**"
-
-# ============================================================================
-# 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|média|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:
-    """Classe simples para registrar logs formatados no console."""
-    def __init__(self, verbose: bool = True):
-        self.verbose = verbose
-        self.logs = []
-
-    def log(self, msg: str, level: str = "INFO"):
-        """Registra uma mensagem de log com timestamp e nível."""
-        timestamp = datetime.now().strftime("%H:%M:%S")
-        log_msg = f"[{timestamp}] [{level.upper()}] {msg}"
-        self.logs.append(log_msg)
-        if self.verbose:
-            print(log_msg)
-            if level.upper() in ["TASK", "START", "SUCCESS", "ERROR"]:
-                 print("=" * 70)
-
-logger = Logger(verbose=True)
-
-def processar_anexo(arquivo: Any) -> Tuple[str, str]:
-    """
-    Processa um arquivo enviado, extraindo texto de PDFs ou representando imagens.
-    Retorna o conteúdo processado e o tipo de arquivo.
-    """
-    if arquivo is None:
-        return "", "nenhum"
-    
-    caminho_arquivo = arquivo.name  # Em Gradio, .name contém o path temporário
-    
-    try:
-        if caminho_arquivo.lower().endswith('.pdf'):
-            try:
-                import PyPDF2
-                with open(caminho_arquivo, 'rb') as f:
-                    leitor = PyPDF2.PdfReader(f)
-                    # Extrai texto das 3 primeiras páginas para manter o prompt conciso
-                    texto = "".join(page.extract_text() + "\n" for page in leitor.pages[:3])
-                    return texto[:3000], "pdf"  # Limita o tamanho do texto
-            except ImportError:
-                logger.log("PyPDF2 não instalado. PDF não pode ser lido.", "WARN")
-                return "[ERRO: PyPDF2 não instalado para ler PDF]", "erro"
-            except Exception as e:
-                logger.log(f"Falha ao ler PDF: {e}", "ERROR")
-                return f"[PDF detectado, mas falha na leitura: {e}]", "pdf"
-
-        elif any(caminho_arquivo.lower().endswith(ext) for ext in ['.png', '.jpg', '.jpeg', '.gif']):
-            with open(caminho_arquivo, 'rb') as f:
-                encoded_string = base64.b64encode(f.read()).decode()
-                return encoded_string[:1000], "image