Update app.py

app.py

@@ -1,4 +1,4 @@
-# --- INÍCIO DO CÓDIGO FINAL ---
+# --- INÍCIO DO CÓDIGO CORRIGIDO E FINAL ---
 
 import gradio as gr
 import os
@@ -14,7 +14,7 @@ if not api_key:
 genai.configure(api_key=api_key)
 model = genai.GenerativeModel('gemini-2.5-pro')
 
-# --- PROMPT DE SISTEMA MESTRE (SEGUINDO SEU PROTOCOLO) ---
+# --- PROMPT DE SISTEMA MESTRE ---
 PROMPT_SISTEMA = """
 Você é um especialista em análise de intenções que opera sob um protocolo de 5 passos.
 Sua função é conduzir uma conversa para entender completamente a dúvida de um usuário ANTES de respondê-la.
@@ -29,7 +29,7 @@ Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo ex
 - **Meta:** A dúvida é compreensível?
 - **Ação:** Analise o `duvida_inicial`.
 - **Decisão:**
-  - Se a clareza for 'baixa' (ex: "flibbertigibbet quântico"), sua resposta JSON DEVE conter: `{"proximo_passo": "aguardando_usuario", "pergunta_para_usuario": "Interessante! O termo que você usou não é padrão. Poderia me dar mais contexto?", ...}`.
+  - Se a clareza for 'baixa', sua resposta JSON DEVE conter: `{"proximo_passo": "aguardando_usuario", "pergunta_para_usuario": "Interessante! O termo que você usou não é padrão. Poderia me dar mais contexto?", ...}`.
   - Se a clareza for 'media' ou 'alta', atualize `estado.clareza.confianca` para 'alta' e defina `proximo_passo` como `"passo_2_proposito"`.
 
 ---
@@ -37,7 +37,7 @@ Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo ex
 - **Meta:** Para qual fim a resposta servirá?
 - **Ação:** Analise o histórico para inferir o objetivo prático (`para_que`).
 - **Decisão:**
-  - Se a confiança for 'baixa' (ex: uma pergunta ampla como "o que é asteroide?"), sua resposta JSON DEVE conter: `{"proximo_passo": "aguardando_usuario", "pergunta_para_usuario": "Claro! Para te dar a melhor resposta, qual o seu objetivo? Você está estudando, curioso, escrevendo uma história...?", ...}`.
+  - Se a confiança for 'baixa', sua resposta JSON DEVE conter: `{"proximo_passo": "aguardando_usuario", "pergunta_para_usuario": "Claro! Para te dar a melhor resposta, qual o seu objetivo? Você está estudando, curioso, escrevendo uma história...?", ...}`.
   - Se a confiança for 'media' ou 'alta', preencha `estado.proposito.valor` e `estado.proposito.confianca`, e defina `proximo_passo` como `"passo_3_motivacao"`.
 
 ---
@@ -51,9 +51,9 @@ Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo ex
 ---
 **Passo 4: Análise de Coerência**
 - **Meta:** As informações coletadas fazem sentido juntas?
-- **Ação:** Revise `clareza`, `proposito` e `motivacao` em busca de contradições ou lacunas.
+- **Ação:** Revise `clareza`, `proposito` e `motivacao`.
 - **Decisão:**
-  - Se a coerência for 'baixa' (ex: propósito é 'estudo', motivação é 'medo de impacto'), formule uma pergunta para resolver a incerteza. Ex: `{"pergunta_para_usuario": "Ok, entendi que é para estudo, mas notei uma preocupação. Você gostaria de focar nos aspectos científicos ou também nos riscos de impacto?", ...}` e `proximo_passo` como `aguardando_usuario`.
+  - Se a coerência for 'baixa', formule uma pergunta para resolver a incerteza e defina `proximo_passo` como `aguardando_usuario`.
   - Se a coerência for 'alta', atualize `estado.coerencia.confianca` e defina `proximo_passo` como `"passo_5_resposta_final"`.
 
 ---
@@ -61,21 +61,22 @@ Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo ex
 - **Meta:** Tenho tudo para dar uma resposta completa e personalizada.
 - **Ação:** Verifique se todos os passos anteriores têm confiança 'media' ou 'alta'.
 - **Decisão:**
-  - Se sim, construa uma resposta final detalhada, adaptada ao propósito e motivação do usuário. Coloque essa resposta no campo `"resposta_final"` do JSON. Defina `"proximo_passo"` como `"concluido"`.
+  - Se sim, construa uma resposta final adaptada. Coloque essa resposta no campo `"resposta_final"` do JSON. Defina `"proximo_passo"` como `"concluido"`.
   - Se não, volte ao passo com a confiança mais baixa e formule uma nova pergunta.
 
 **ESTRUTURA JSON DE SAÍDA OBRIGATÓRIA:**
 {
-  "raciocinio_do_passo": "Sua breve justificativa interna para a decisão tomada.",
-  "proximo_passo": "string", // "passo_2_proposito", "passo_3_motivacao", "aguardando_usuario", "concluido", etc.
-  "pergunta_para_usuario": "string | null", // A pergunta exata a ser feita ao usuário, se houver.
-  "estado_pipeline_atualizado": { ... }, // O objeto de estado completo e atualizado.
-  "resposta_final": "string | null" // A resposta final, apenas no Passo 5.
+  "raciocinio_do_passo": "Sua breve justificativa interna.",
+  "proximo_passo": "string",
+  "pergunta_para_usuario": "string | null",
+  "estado_pipeline_atualizado": { ... },
+  "resposta_final": "string | null"
 }
 """
 
 # --- GERENCIAMENTO DE ESTADO ---
 def resetar_estado():
+    print("Resetando o estado da pipeline para uma nova conversa.")
     return {
         "passo_atual": "passo_1_clareza",
         "duvida_inicial": None,
@@ -86,62 +87,55 @@ def resetar_estado():
     }
 
 estado_pipeline_global = resetar_estado()
-historico_conversa_global = []
+historico_conversa_llm = []
 
 # --- FUNÇÃO PRINCIPAL DO CHATBOT ---
 def handle_chat(mensagem, historico_chat_gradio):
-    global estado_pipeline_global, historico_conversa_global
+    global estado_pipeline_global, historico_conversa_llm
 
-    # Adiciona a mensagem atual ao histórico da conversa
-    historico_conversa_global.append({"role": "user", "content": mensagem})
+    # CORREÇÃO PRINCIPAL: Detecta se é o início de uma conversa.
+    # O histórico do Gradio estar vazio significa que o usuário acabou de abrir
+    # a página ou clicou em "Clear".
+    if not historico_chat_gradio:
+        estado_pipeline_global = resetar_estado()
+        historico_conversa_llm = []
 
-    # Se for a primeira mensagem, define a dúvida inicial no estado
+    historico_conversa_llm.append({"role": "user", "parts": [mensagem]})
+    
     if estado_pipeline_global["duvida_inicial"] is None:
         estado_pipeline_global["duvida_inicial"] = mensagem
 
-    # Constrói o prompt para o Gemini
     prompt_completo = f"""
     {PROMPT_SISTEMA}
-
     ---
-    **HISTÓRICO DA CONVERSA ATÉ AGORA:**
-    {json.dumps(historico_conversa_global, indent=2)}
-
+    **HISTÓRICO DA CONVERSA PARA O LLM:**
+    {json.dumps(historico_conversa_llm, indent=2)}
     ---
     **ESTADO ATUAL DA PIPELINE:**
     {json.dumps(estado_pipeline_global, indent=2)}
     ---
-
-    **Instrução Final:** Baseado no estado e no histórico, execute o próximo passo do protocolo e gere o JSON de saída correspondente.
+    **Instrução Final:** Baseado no estado e no histórico, execute o próximo passo do protocolo e gere o JSON de saída.
     """
 
     try:
         response = model.generate_content(prompt_completo)
-        
-        # Limpa e extrai o JSON da resposta
         resposta_texto = response.text.strip().replace("```json", "").replace("```", "")
         decisao_json = json.loads(resposta_texto)
 
-        # O LLM é a fonte da verdade: atualiza o estado global com o que foi retornado
         estado_pipeline_global = decisao_json.get("estado_pipeline_atualizado", estado_pipeline_global)
         
-        # Decide o que mostrar ao usuário
         if decisao_json.get("resposta_final"):
             resposta_para_usuario = decisao_json["resposta_final"]
-            historico_conversa_global.append({"role": "model", "content": resposta_para_usuario})
-            # Reseta tudo para a próxima conversa
-            estado_pipeline_global = resetar_estado()
-            historico_conversa_global = []
+            historico_conversa_llm.append({"role": "model", "parts": [resposta_para_usuario]})
             return resposta_para_usuario
 
         elif decisao_json.get("pergunta_para_usuario"):
             resposta_para_usuario = decisao_json["pergunta_para_usuario"]
-            historico_conversa_global.append({"role": "model", "content": resposta_para_usuario})
+            historico_conversa_llm.append({"role": "model", "parts": [resposta_para_usuario]})
             return resposta_para_usuario
             
         else:
-            # Caso de erro onde o JSON é válido mas não tem ação para o usuário
-            return "Ocorreu um erro no meu raciocínio. Poderia tentar reformular sua pergunta?"
+            return "Ocorreu um erro no meu raciocínio. Poderia tentar reformular?"
 
     except (json.JSONDecodeError, AttributeError, Exception) as e:
         print(f"Erro ao processar resposta da API: {e}")
@@ -149,17 +143,10 @@ def handle_chat(mensagem, historico_chat_gradio):
             print(f"Resposta recebida: {response.text}")
         except:
             print("Não foi possível extrair o texto da resposta.")
-        return "Desculpe, tive um problema técnico ao processar sua solicitação. Por favor, tente novamente."
-
+        return "Desculpe, tive um problema técnico. Por favor, clique em 'Clear' e tente novamente."
 
 # --- INTERFACE GRADIO ---
-def on_clear_chat():
-    """Função para ser chamada quando o botão 'Clear' do Gradio é pressionado."""
-    global estado_pipeline_global, historico_conversa_global
-    estado_pipeline_global = resetar_estado()
-    historico_conversa_global = []
-    print("Chat e estado resetados.")
-
+# REMOVIDO: A função on_clear_chat e a linha iface.clear_btn.click não são mais necessárias.
 iface = gr.ChatInterface(
     fn=handle_chat,
     title="🤖 Protótipo de IA com Protocolo de Raciocínio",
@@ -167,9 +154,8 @@ iface = gr.ChatInterface(
     chatbot=gr.Chatbot(height=500),
     textbox=gr.Textbox(placeholder="Qual é a sua dúvida?", container=False, scale=7),
 )
-iface.clear_btn.click(on_clear_chat) # Garante que o estado interno seja limpo junto com o chat
 
 if __name__ == "__main__":
     iface.launch()
 
-# --- FIM DO CÓDIGO FINAL ---
+# --- FIM DO CÓDIGO CORRIGIDO E FINAL ---