Update app.py

app.py

@@ -1,81 +1,88 @@
-# --- INÍCIO DO CÓDIGO CORRIGIDO E FINAL ---
+# --- INÍCIO DO CÓDIGO COMPLETO E FINAL ---
 
 import gradio as gr
 import os
 import google.generativeai as genai
 import json
 
-# --- CONFIGURAÇÃO DA API GEMINI ---
+# --- 1. CONFIGURAÇÃO DA API GEMINI ---
+# É mais seguro usar variáveis de ambiente, mas para testes, você pode inserir a chave aqui.
 api_key = os.getenv("GOOGLE_API_KEY")
 if not api_key:
-    # ⚠️ SUBSTITUA PELA SUA CHAVE REAL ANTES DE EXECUTAR
+    # ⚠️ SUBSTITUA "SUA_API_KEY_AQUI" PELA SUA CHAVE REAL ANTES DE EXECUTAR
     api_key = "SUA_API_KEY_AQUI"
 
 genai.configure(api_key=api_key)
-model = genai.GenerativeModel('gemini-2.5-pro')
+model = genai.GenerativeModel('gemini-2.0-pro')
 
-# --- PROMPT DE SISTEMA MESTRE ---
+# --- 2. PROMPT DE SISTEMA MESTRE (O "CÉREBRO" DO PROTOCOLO) ---
 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.
-Sua SAÍDA DEVE SER SEMPRE E SOMENTE um objeto JSON válido.
+Você é um especialista em análise de intenções que opera sob um protocolo de 6 passos.
+Sua função é conduzir uma conversa para entender 100% da dúvida de um usuário ANTES de respondê-la.
+Sua SAÍDA DEVE SER SEMPRE E SOMENTE um objeto JSON válido, sem nenhum texto adicional.
 
 **PROTOCOLO DE EXECUÇÃO OBRIGATÓRIO:**
 
-Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo executar. Sua resposta em JSON deve conter o estado COMPLETAMENTE ATUALIZADO.
+Analise o `estado_pipeline` atual e o `historico_conversa`. Decida qual passo executar. Sua resposta em JSON deve conter o estado COMPLETAMENTE ATUALIZADO da pipeline.
 
 ---
 **Passo 1: Análise Primária (Clareza)**
 - **Meta:** A dúvida é compreensível?
-- **Ação:** Analise o `duvida_inicial`.
-- **Decisão:**
-  - 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"`.
+- **Decisão:** Se a clareza for 'baixa', pergunte por mais contexto. Senão, defina `proximo_passo` como `"passo_2_proposito"`.
 
 ---
 **Passo 2: Análise de Propósito (Para Que)**
 - **Meta:** Para qual fim a resposta servirá?
-- **Ação:** Analise o histórico para inferir o objetivo prático (`para_que`).
-- **Decisão:**
-  - 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"`.
+- **Decisão:** Se a confiança no propósito for 'baixa', pergunte sobre o objetivo. Senão, defina `proximo_passo` como `"passo_3_motivacao"`.
 
 ---
 **Passo 3: Análise de Motivação (Porquê) e Interesses**
 - **Meta:** Por que o usuário precisa da resposta agora?
-- **Ação:** Analise o histórico para inferir a motivação (`porque`).
-- **Decisão:**
-  - Se a confiança for 'baixa', sua resposta JSON DEVE conter: `{"proximo_passo": "aguardando_usuario", "pergunta_para_usuario": "Entendi. E o que te despertou esse interesse agora? Algo específico que você viu ou ouviu?", ...}`.
-  - Se a confiança for 'media' ou 'alta', preencha `estado.motivacao.valor` e `estado.motivacao.confianca`, e defina `proximo_passo` como `"passo_4_coerencia"`.
+- **Decisão:** Se a confiança na motivação for 'baixa', pergunte sobre o que despertou o interesse. Senão, defina `proximo_passo` como `"passo_4_coerencia"`.
 
 ---
 **Passo 4: Análise de Coerência**
 - **Meta:** As informações coletadas fazem sentido juntas?
-- **Ação:** Revise `clareza`, `proposito` e `motivacao`.
+- **Decisão:** Se a coerência for 'baixa', pergunte para resolver a contradição. Senão, defina `proximo_passo` como `"passo_5_ambiguidade"`.
+
+---
+**Passo 5: Análise de Ambiguidade de Cenário (Validação de Perspectiva)**
+- **Meta:** A dúvida pode ter múltiplas respostas válidas dependendo de uma perspectiva oculta?
+- **Ação:** Revise o contexto completo. Pense se a resposta muda se o usuário for um estudante, um profissional, um entusiasta, etc.
 - **Decisão:**
-  - 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"`.
+  - Se existem vários cenários de resposta válidos (confiança 'baixa'), formule uma pergunta que force o usuário a escolher uma perspectiva. Defina `proximo_passo` como `"aguardando_usuario"`.
+    - **Exemplo:** Se a dúvida é "Como otimizar um banco de dados?", pergunte: "Você está focando em otimização para velocidade de leitura, redução de custos de armazenamento, ou para escalabilidade?"
+  - Se o cenário de resposta é único e claro (confiança 'alta'), defina `proximo_passo` como `"passo_6_resposta_final"`.
 
 ---
-**Passo 5: Geração da Resposta Final**
-- **Meta:** Tenho tudo para dar uma resposta completa e personalizada.
-- **Ação:** Verifique se todos os passos anteriores têm confiança 'media' ou 'alta'.
+**Passo 6: Geração da Resposta Final**
+- **Meta:** Tenho 100% de clareza para dar uma resposta definitiva e sem subjetividade.
+- **Ação:** Verifique se TODOS os passos anteriores têm confiança 'alta'.
 - **Decisão:**
-  - 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.
+  - Se sim, construa a resposta final, objetiva e completa, adaptada a todo o contexto coletado. Coloque-a em `"resposta_final"`. Defina `"proximo_passo"` como `"concluido"`.
+  - Se não, volte ao passo com a confiança mais baixa e reformule a pergunta.
 
 **ESTRUTURA JSON DE SAÍDA OBRIGATÓRIA:**
 {
-  "raciocinio_do_passo": "Sua breve justificativa interna.",
+  "raciocinio_do_passo": "Sua breve justificativa interna para a decisão tomada.",
   "proximo_passo": "string",
   "pergunta_para_usuario": "string | null",
-  "estado_pipeline_atualizado": { ... },
+  "estado_pipeline_atualizado": {
+    "passo_atual": "string",
+    "duvida_inicial": "string | null",
+    "clareza": {"confianca": "baixa|media|alta"},
+    "proposito": {"valor": "string | null", "confianca": "baixa|media|alta"},
+    "motivacao": {"valor": "string | null", "confianca": "baixa|media|alta"},
+    "coerencia": {"confianca": "baixa|media|alta"},
+    "ambiguidade": {"confianca": "baixa|media|alta"}
+  },
   "resposta_final": "string | null"
 }
 """
 
-# --- GERENCIAMENTO DE ESTADO ---
+# --- 3. GERENCIAMENTO DE ESTADO ---
 def resetar_estado():
+    """Inicializa ou reseta o dicionário de estado da pipeline."""
     print("Resetando o estado da pipeline para uma nova conversa.")
     return {
         "passo_atual": "passo_1_clareza",
@@ -83,19 +90,23 @@ def resetar_estado():
         "clareza": {"confianca": "baixa"},
         "proposito": {"valor": None, "confianca": "baixa"},
         "motivacao": {"valor": None, "confianca": "baixa"},
-        "coerencia": {"confianca": "baixa"}
+        "coerencia": {"confianca": "baixa"},
+        "ambiguidade": {"confianca": "baixa"}
     }
 
+# Variáveis globais para manter o estado e o histórico durante a sessão
 estado_pipeline_global = resetar_estado()
 historico_conversa_llm = []
 
-# --- FUNÇÃO PRINCIPAL DO CHATBOT ---
+# --- 4. FUNÇÃO PRINCIPAL DO CHATBOT ---
 def handle_chat(mensagem, historico_chat_gradio):
+    """
+    Esta função é chamada a cada mensagem do usuário.
+    Ela gerencia o estado, constrói o prompt, chama a API e retorna a resposta.
+    """
     global estado_pipeline_global, historico_conversa_llm
 
-    # 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".
+    # Detecta o início de uma nova conversa (quando a UI é limpa) e reseta o estado interno.
     if not historico_chat_gradio:
         estado_pipeline_global = resetar_estado()
         historico_conversa_llm = []
@@ -105,6 +116,7 @@ def handle_chat(mensagem, historico_chat_gradio):
     if estado_pipeline_global["duvida_inicial"] is None:
         estado_pipeline_global["duvida_inicial"] = mensagem
 
+    # Monta o super-prompt com todas as instruções, o histórico e o estado atual.
     prompt_completo = f"""
     {PROMPT_SISTEMA}
     ---
@@ -117,14 +129,18 @@ def handle_chat(mensagem, historico_chat_gradio):
     **Instrução Final:** Baseado no estado e no histórico, execute o próximo passo do protocolo e gere o JSON de saída.
     """
 
-    if True:
-    
+    try:
+        # Envia a requisição para a API do Gemini
         response = model.generate_content(prompt_completo)
+        
+        # Limpa e decodifica a resposta JSON do modelo
         resposta_texto = response.text.strip().replace("```json", "").replace("```", "")
         decisao_json = json.loads(resposta_texto)
 
+        # O LLM é a fonte da verdade: o estado local é substituído pelo estado retornado pela API.
         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_llm.append({"role": "model", "parts": [resposta_para_usuario]})
@@ -136,20 +152,30 @@ def handle_chat(mensagem, historico_chat_gradio):
             return resposta_para_usuario
             
         else:
+            # Fallback para caso o JSON seja válido mas não tenha uma ação clara
             return "Ocorreu um erro no meu raciocínio. Poderia tentar reformular?"
 
-    
-# --- INTERFACE GRADIO ---
-# REMOVIDO: A função on_clear_chat e a linha iface.clear_btn.click não são mais necessárias.
+    except (json.JSONDecodeError, AttributeError, Exception) as e:
+        print(f"Erro ao processar resposta da API: {e}")
+        try:
+            print(f"Resposta recebida (pode ter causado o erro): {response.text}")
+        except:
+            print("Não foi possível extrair o texto da resposta do erro.")
+        return "Desculpe, tive um problema técnico. Por favor, clique no botão 'Limpar' e tente novamente."
+
+# --- 5. INTERFACE GRÁFICA COM GRADIO ---
 iface = gr.ChatInterface(
     fn=handle_chat,
-    title="🤖 Protótipo de IA com Protocolo de Raciocínio",
-    description="Este chatbot segue um protocolo rigoroso para entender sua dúvida antes de responder. A conversa é guiada por um LLM que gerencia o estado do fluxo.",
-    chatbot=gr.Chatbot(height=500),
+    title="🤖 Protótipo de IA com Protocolo de Raciocínio v2",
+    description="Este chatbot segue um protocolo de 6 passos para eliminar todas as ambiguidades antes de fornecer uma resposta 100% contextualizada.",
+    chatbot=gr.Chatbot(height=600),
     textbox=gr.Textbox(placeholder="Qual é a sua dúvida?", container=False, scale=7),
+    theme="soft",
+    examples=[["O que é um buraco negro?"], ["Como posso investir meu dinheiro?"], ["Me explique a computação quântica."]],
 )
 
+# --- 6. EXECUÇÃO DA APLICAÇÃO ---
 if __name__ == "__main__":
     iface.launch()
 
-# --- FIM DO CÓDIGO CORRIGIDO E FINAL ---
+# --- FIM DO CÓDIGO ---```