Spaces:
Sleeping
Sleeping
File size: 4,152 Bytes
466053c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 |
import os
import sqlite3
import pandas as pd
from dotenv import load_dotenv
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain.embeddings import HuggingFaceEmbeddings
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
import gradio as gr
# Carrega chave da API
load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENROUTER_API_KEY")
os.environ["OPENAI_API_BASE"] = "https://openrouter.ai/api/v1"
# Carrega e divide o PDF
loader = PyPDFLoader("apostila_python.pdf")
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
documents = text_splitter.split_documents(docs)
# Cria embeddings com modelo local (sem necessidade de API)
embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
vectordb = FAISS.from_documents(documents, embeddings)
retriever = vectordb.as_retriever()
# Cria banco de dados SQLite se não existir
conn = sqlite3.connect("historico_conversas.db")
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS conversas (
id INTEGER PRIMARY KEY AUTOINCREMENT,
aluno TEXT,
pergunta TEXT,
resposta TEXT,
timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
)
''')
conn.commit()
conn.close()
# LLM da OpenRouter
llm = ChatOpenAI(model="deepseek/deepseek-r1:free", temperature=0.4)
# Memória da conversa
memoria = ConversationBufferMemory(memory_key="chat_history", return_messages=True, output_key="answer")
# Cadeia com recuperação de contexto e memória
qa_chain = ConversationalRetrievalChain.from_llm(
llm=llm,
retriever=retriever,
memory=memoria,
return_source_documents=True,
output_key="answer"
)
# Função para salvar no banco
def salvar_conversa(nome, pergunta, resposta):
conn = sqlite3.connect("historico_conversas.db")
cursor = conn.cursor()
cursor.execute("INSERT INTO conversas (aluno, pergunta, resposta) VALUES (?, ?, ?)",
(nome or "Anônimo", pergunta, resposta))
conn.commit()
conn.close()
# Função para responder usando o PDF e memória
def responder(pergunta, nome):
try:
resultado = qa_chain.invoke({"question": pergunta})
resposta = resultado["answer"]
fontes = resultado.get("source_documents", [])
# Fallback se nenhuma fonte relevante for encontrada
if not fontes or all(len(doc.page_content.strip()) == 0 for doc in fontes):
resposta = llm.invoke(pergunta)
salvar_conversa(nome, pergunta, resposta)
return resposta
except Exception as e:
import traceback
return f"❌ Erro:\n{traceback.format_exc()}"
# Resetar memória
def resetar_memoria():
memoria.clear()
return "✅ Memória resetada com sucesso!"
# Exportar conversas para arquivos
def exportar_conversas():
conn = sqlite3.connect("historico_conversas.db")
df = pd.read_sql_query("SELECT * FROM conversas ORDER BY timestamp DESC", conn)
df.to_csv("conversas_exportadas.csv", index=False)
df.to_excel("conversas_exportadas.xlsx", index=False, engine="openpyxl")
conn.close()
return "✅ Arquivos 'conversas_exportadas.csv' e 'conversas_exportadas.xlsx' foram salvos!"
# Interface Gradio
with gr.Blocks() as app:
gr.Markdown("## 🤖 Tutor de Python com IA + Apostila PDF + Histórico em BD")
nome = gr.Textbox(label="Seu nome (opcional)", placeholder="Ex: João")
pergunta = gr.Textbox(label="Sua dúvida sobre Python", placeholder="Ex: Como usar listas em Python?")
resposta = gr.Textbox(label="Resposta do Assistente")
botao_enviar = gr.Button("Enviar")
botao_resetar = gr.Button("🔁 Resetar Memória")
botao_exportar = gr.Button("📤 Exportar Histórico")
botao_enviar.click(fn=responder, inputs=[pergunta, nome], outputs=resposta)
botao_resetar.click(fn=resetar_memoria, outputs=resposta)
botao_exportar.click(fn=exportar_conversas, outputs=resposta)
app.launch(share=True) |