Update app.py

app.py

@@ -2,10 +2,10 @@ import os
 from dotenv import load_dotenv
 from langchain_openai import ChatOpenAI
 from langchain.prompts import PromptTemplate
-from langchain.chains import ConversationChain
-from langchain.memory import ConversationBufferMemory
+from langchain.chains import ConversationChain # Keep using this for now, despite deprecation
+from langchain.memory import ConversationBufferMemory # Keep using this for now
 import gradio as gr
-import traceback # Import traceback for better error handling
+import traceback
 
 # Carrega a chave da API
 load_dotenv()
@@ -20,35 +20,22 @@ os.environ["OPENAI_API_BASE"] = "https://openrouter.ai/api/v1"
 
 # Instancia o modelo
 llm = ChatOpenAI(
-    # model="deepseek/deepseek-r1:free", # You can keep this or choose another
-    model="mistralai/mistral-7b-instruct:free", # Example using a different free model
-    temperature=0.5 # Slightly increased temperature for potentially more varied explanations
+    model="mistralai/mistral-7b-instruct:free",
+    temperature=0.5
 )
 
-# --- Lista de Tutores/Matérias ---
+# Lista de Tutores/Matérias
 subjects = [
-    "Python",
-    "Java",
-    "Ruby",
-    "Golang",
-    "C++",
-    "C#",
-    "Rust",
-    "SQL",
-    "Tableau",
-    "Power BI",
-    "Excel",
-    "Looker",
-    "Solidity"
+    "Python", "Java", "Ruby", "Golang", "C++", "C#", "Rust",
+    "SQL", "Tableau", "Power BI", "Excel", "Looker", "Solidity"
 ]
 
-# --- Template Generalizado ---
-# Now includes {subject} as an input variable
-template_string = """Você é um assistente virtual e tutor especialista em {subject}.
-Ajude os alunos com dúvidas sobre {subject}, sempre de forma clara, objetiva e com exemplos didáticos.
-Adapte a profundidade da sua resposta ao nível aparente da pergunta.
-Se a pergunta for muito vaga, peça mais detalhes.
-Concentre-se estritamente em {subject}, a menos que o aluno peça explicitamente para comparar com outra tecnologia.
+# --- Template Modificado ---
+# Agora SÓ espera 'history' e 'input'. O contexto da matéria será parte do 'input'.
+template_string = """Você é um assistente virtual e tutor especialista. A especialidade desejada pelo aluno está indicada claramente no início da pergunta dele (procure por 'Especialidade Foco:').
+Ajude os alunos com dúvidas sobre a especialidade mencionada na pergunta atual, sempre de forma clara, objetiva e com exemplos didáticos.
+Adapte a profundidade da sua resposta ao nível aparente da pergunta. Se a pergunta for muito vaga, peça mais detalhes.
+Concentre-se estritamente na especialidade indicada na pergunta atual, a menos que o aluno peça explicitamente para comparar com outra tecnologia.
 
 Histórico da conversa:
 {history}
@@ -56,55 +43,56 @@ Histórico da conversa:
 Aluno: {input}
 Resposta:"""
 
+# Prompt agora só precisa de 'history' e 'input'
 template = PromptTemplate(
-    input_variables=["history", "input", "subject"], # Added 'subject'
+    input_variables=["history", "input"], # APENAS history e input
     template=template_string
 )
 
-# --- Memória da Conversa (Compartilhada entre tutores por sessão) ---
-# Consider separate memories per subject if long-term context separation is critical,
-# but for a single session, shared memory is simpler.
-memoria = ConversationBufferMemory(return_messages=True)
+# --- Memória da Conversa ---
+# Aviso de Depreciação: ConversationBufferMemory está sendo substituída.
+# Para agora, ela funciona, mas considere migrar para RunnableWithMessageHistory no futuro.
+memoria = ConversationBufferMemory(return_messages=True) # memory_key='history' é o padrão
 
-# --- Criação da Chain (O prompt será atualizado dinamicamente) ---
-# Note: We are creating the chain once, but the prompt used *within* the chain
-# will be effectively updated by how we pass the input in the 'responder' function.
-# Alternatively, you could create a new chain object on each call, but that's less efficient.
+# --- Criação da Chain ---
+# Aviso de Depreciação: ConversationChain está sendo substituída.
+# Para agora, ela funciona com o prompt ajustado.
 chat_chain = ConversationChain(
     llm=llm,
     memory=memoria,
-    prompt=template, # Use the template with the 'subject' variable
-    verbose=False # Set to True for debugging langchain steps
+    prompt=template, # Passa o prompt que agora só espera 'history' e 'input'
+    input_key='input', # Confirma que a chave de entrada principal é 'input' (padrão)
+    verbose=False
 )
 
-# --- Função para Responder com Contexto do Tutor Selecionado ---
+# --- Função para Responder com Contexto Formatado ---
 def responder(subject, user_message):
     """
-    Generates a response from the LLM based on the selected subject and user message.
+    Formata a entrada e gera a resposta do LLM.
     """
     if not subject:
         return "⚠️ Por favor, selecione uma matéria primeiro."
-    if not user_message:
+    if not user_message or not user_message.strip(): # Verifica se a mensagem não está vazia ou só espaços
         return "⚠️ Por favor, digite sua dúvida."
 
+    # **Importante:** Formata a entrada para incluir o contexto da matéria
+    # É ESSENCIAL que o LLM veja essa informação claramente no início do input.
+    formatted_input = f"**Especialidade Foco:** {subject}\n\n**Dúvida do Aluno:** {user_message}"
+
     try:
-        # Here we pass the subject along with the input message to the chain.
-        # The chain's prompt template expects 'subject' and 'input'.
-        response = chat_chain.run(input=user_message, subject=subject)
+        # Passa a string formatada como a única entrada 'input' para a chain
+        response = chat_chain.run(formatted_input)
         return response
     except Exception as e:
-        # Log the full error for debugging
         print(f"❌ Erro ao processar a solicitação:\n{traceback.format_exc()}")
-        # Return a user-friendly error message
         return f"❌ Desculpe, ocorreu um erro ao processar sua solicitação. Detalhes: {str(e)}"
 
-# --- Interface Gradio Atualizada ---
-with gr.Blocks() as app:
+# --- Interface Gradio (sem alterações na estrutura) ---
+with gr.Blocks(theme=gr.themes.Soft()) as app: # Adicionando um tema suave
     gr.Markdown("# Tutor Poliglota com IA 🤖🎓")
     gr.Markdown("Selecione a matéria e tire suas dúvidas com um assistente que lembra da conversa.")
 
     with gr.Row():
-        # Dropdown para selecionar a matéria
         subject_selector = gr.Dropdown(
             choices=subjects,
             label="Selecione a Matéria",
@@ -112,44 +100,45 @@ with gr.Blocks() as app:
         )
 
     with gr.Row():
-        # Textbox para a pergunta do usuário
         input_textbox = gr.Textbox(
             placeholder="Ex: Como declarar uma variável em Java?",
             label="Sua Dúvida",
-            lines=3 # Allow more lines for input
+            lines=3,
+            show_copy_button=True
         )
 
     with gr.Row():
-        # Botão para enviar
-        submit_button = gr.Button("Perguntar ao Tutor")
+        submit_button = gr.Button("Perguntar ao Tutor", variant="primary") # Botão com destaque
 
     with gr.Row():
-        # Textbox para a resposta do assistente
         output_textbox = gr.Textbox(
             label="Resposta do Tutor",
-            lines=8 # Allow more lines for output
+            lines=10, # Mais espaço para resposta
+            show_copy_button=True
         )
 
-    # Adiciona um botão para limpar a conversa (opcional, mas útil)
     clear_button = gr.ClearButton(
-        components=[input_textbox, output_textbox],
-        value="Limpar Conversa e Memória"
+        components=[input_textbox, output_textbox, subject_selector], # Limpa também o dropdown
+        value="Limpar Campos e Memória"
     )
 
-    # Define a ação do botão de envio
     submit_button.click(
         fn=responder,
-        inputs=[subject_selector, input_textbox], # Passa a matéria e a mensagem
+        inputs=[subject_selector, input_textbox],
         outputs=output_textbox
     )
 
-    # Define a ação do botão Limpar para também limpar a memória da chain
     def clear_memory_and_interface():
-        memoria.clear() # Limpa a memória da conversa
-        return ["", ""] # Retorna valores vazios para limpar os textboxes
-
-    clear_button.click(fn=clear_memory_and_interface, outputs=[input_textbox, output_textbox])
+        try:
+            memoria.clear() # Limpa a memória da conversa
+            print("Memória da conversa limpa.")
+        except Exception as e:
+            print(f"Erro ao limpar a memória: {e}")
+        # Retorna valor padrão para dropdown (None) e vazio para textbox
+        return [None, "", ""]
 
+    # Atualiza a ação do clear_button para retornar valores para todos os componentes
+    clear_button.click(fn=clear_memory_and_interface, outputs=[subject_selector, input_textbox, output_textbox])
 
 # Lança a aplicação
-app.launch(share=True)
+app.launch(share=True, debug=True) # Adiciona debug=True para mais informações no console