Create app.py

app.py

@@ -0,0 +1,94 @@
+import gradio as gr
+import os
+from google.generativeai import TextClient
+
+# ⚠️ Configure sua chave de API
+os.environ["GOOGLE_API_KEY"] = "AIzaSyB9PUYLKcLwSe1E2_XU4uXekFUFKST5dd4"
+
+client = TextClient()
+
+# Estrutura de dados interna
+state = {
+    "prompt_usuario": "",
+    "para_que_quer_resposta": {"valor": None, "confianca": "baixa"},
+    "porque_precisa_resposta": {"valor": None, "confianca": "baixa"},
+    "pontos_chaves_esclarecer": {"valor": [], "confianca": "baixa"},
+    "o_que_ensinar": {"valor": [], "confianca": "baixa"},
+    "resposta_final": None
+}
+
+# --- Funções de pipeline --- #
+
+def passo1_analise_clareza(prompt):
+    state["prompt_usuario"] = prompt
+    if len(prompt.strip()) == 0:
+        return "Você não digitou nada. Poderia reformular?"
+    # Aqui poderia ter um modelo avaliando clareza
+    return None  # significa clareza ok
+
+def passo2_analise_proposito():
+    if state["para_que_quer_resposta"]["confianca"] == "baixa":
+        return "Para te dar a melhor resposta, qual é seu objetivo? Estudo, curiosidade, história, etc."
+    return None
+
+def passo3_analise_motivacao(resposta_usuario=None):
+    if state["porque_precisa_resposta"]["confianca"] == "baixa":
+        return "O que te despertou esse interesse agora? Algo específico que você viu ou ouviu?"
+    if resposta_usuario:
+        state["porque_precisa_resposta"]["valor"] = resposta_usuario
+        state["porque_precisa_resposta"]["confianca"] = "alta"
+    return None
+
+def gerar_resposta_final():
+    # Monta Super Prompt
+    super_prompt = f"""
+    Usuário quer saber: {state['prompt_usuario']}
+    Para que: {state['para_que_quer_resposta']['valor']}
+    Porque precisa: {state['porque_precisa_resposta']['valor']}
+    Pontos a esclarecer: {state['pontos_chaves_esclarecer']['valor']}
+    O que ensinar: {state['o_que_ensinar']['valor']}
+    
+    Gere uma resposta clara, educativa e adaptada ao contexto.
+    """
+    response = client.generate_text(model="gemini-1.5", prompt=super_prompt, max_output_tokens=500)
+    state["resposta_final"] = response.text
+    return state["resposta_final"]
+
+# --- Função principal do Gradio --- #
+
+def pipeline_gradio(prompt, objetivo="", motivacao=""):
+    erro = passo1_analise_clareza(prompt)
+    if erro:
+        return erro
+    
+    if objetivo:
+        state["para_que_quer_resposta"]["valor"] = objetivo
+        state["para_que_quer_resposta"]["confianca"] = "alta"
+    else:
+        msg = passo2_analise_proposito()
+        if msg:
+            return msg
+    
+    if motivacao:
+        passo3_analise_motivacao(motivacao)
+    else:
+        msg = passo3_analise_motivacao()
+        if msg:
+            return msg
+    
+    return gerar_resposta_final()
+
+# --- Interface Gradio --- #
+iface = gr.Interface(
+    fn=pipeline_gradio,
+    inputs=[
+        gr.Textbox(label="Pergunta", placeholder="Digite sua dúvida..."),
+        gr.Textbox(label="Objetivo (opcional)", placeholder="Ex: estudo, curiosidade..."),
+        gr.Textbox(label="Motivação (opcional)", placeholder="Ex: medo, curiosidade...")
+    ],
+    outputs="text",
+    title="Protótipo de IA Reflexiva",
+    description="Pipeline reflexiva que faz perguntas antes de responder usando Gemini API."
+)
+
+iface.launch()