Adicionando novas funcionalidades

app.py

@@ -1,6 +1,6 @@
 import streamlit as st
 import os
-import shutil
+import json
 from dotenv import load_dotenv
 from langchain_openai import ChatOpenAI
 from langchain_core.prompts import ChatPromptTemplate
@@ -8,7 +8,7 @@ from langchain_community.document_loaders import DirectoryLoader, TextLoader
 from langchain_text_splitters import RecursiveCharacterTextSplitter
 from langchain_chroma import Chroma
 from langchain_huggingface import HuggingFaceEmbeddings
-from prompts import PROMPT_TEMPLATE
+from prompts import PROMPT_TEMPLATE, CLASSIFIER_PROMPT
 
 # Configuração da página Streamlit
 st.set_page_config(page_title="Central da Visão - Assistente", page_icon="👁️")
@@ -26,6 +26,9 @@ if not OPENAI_API_KEY:
 CHROMA_PATH = "chroma_db"
 DOCS_PATH = "docs"
 
+with open('know_graph.json', 'r', encoding='utf-8') as f:
+    knowledge_graph_data = json.dumps(json.load(f), ensure_ascii=False)
+
 @st.cache_resource
 def load_or_create_db():
     """
@@ -102,19 +105,42 @@ def get_response(query):
         prefix = "Usuário: " if msg["role"] == "user" else "Consultor: "
         chat_history_str += f"{prefix}{msg['content']}\n"
 
+    model = ChatOpenAI(model_name='gpt-4o-mini', openai_api_key=OPENAI_API_KEY)
+
+    prompt_classifier = ChatPromptTemplate.from_template(CLASSIFIER_PROMPT)
+    classifier_input = prompt_classifier.format(
+        knowledge_graph=knowledge_graph_data,
+        chat_history=chat_history_str,
+        question=query
+    )
+
+    classification_response = model.invoke(classifier_input).content
+
+    cleaned_res = classification_response.replace("```json", "").replace("```", "").strip()
+    try:
+        classification = json.loads(cleaned_res)
+    except:
+        classification = {"estagio": "Nao identificado", "objecao_id": "nenhuma", "argumento_base": ""}
+
     # Busca de documentos relevantes
     docs_chroma = db_chroma.similarity_search(query, k=5)
     context_text = "\n\n".join([doc.page_content for doc in docs_chroma])
 
+    diretriz_venda = f"\n[DIRETRIZ ESTRATÉGICA]: Estágio: {classification.get('estagio')}. " \
+                     f"Objeção: {classification.get('objecao_id')}. " \
+                     f"Argumento sugerido: {classification.get('argumento_base')}"
+    
+    full_context = context_text + diretriz_venda
+
     # Prompt
     prompt_template = ChatPromptTemplate.from_template(PROMPT_TEMPLATE)
-    prompt = prompt_template.format(context=context_text, chat_history=chat_history_str, question=query)
-
+    prompt = prompt_template.format(context=full_context, 
+                                    chat_history=chat_history_str, 
+                                    question=query)
     # Modelo de linguagem
-    model = ChatOpenAI(model_name='gpt-3.5-turbo', openai_api_key=OPENAI_API_KEY)
     response = model.invoke(prompt)
     
-    return response.content
+    return response.content, classification
 
 # Interface
 for message in st.session_state.messages:
@@ -129,7 +155,13 @@ if query := st.chat_input("Digite sua dúvida aqui..."):
     with st.chat_message("assistant"):
         with st.spinner("Consultando base de dados..."):
             try:
-                response_text = get_response(query)
+                response_text, info_vendas = get_response(query)
+
+                with st.expander("📊 Log de Vendas (Inteligência)"):
+                    st.write(f"**Estágio:** {info_vendas.get('estagio')}")
+                    st.write(f"**Objeção Identificada:** {info_vendas.get('objecao_id')}")
+                    st.caption(f"Argumento base: {info_vendas.get('argumento_base')}")
+                    
                 st.markdown(response_text)
                 st.session_state.messages.append({"role": "assistant", "content": response_text})
             except Exception as e:

chat.py

@@ -1,7 +1,8 @@
 import os
+import json
 from dotenv import load_dotenv
 from retriever import db_chroma
-from prompts import PROMPT_TEMPLATE
+from prompts import PROMPT_TEMPLATE, CLASSIFIER_PROMPT
 from langchain_core.prompts import ChatPromptTemplate
 from langchain_openai import ChatOpenAI
 
@@ -10,22 +11,63 @@ load_dotenv()
 OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
 
 def main():
-    model = ChatOpenAI(model_name='gpt-3.5-turbo', openai_api_key=OPENAI_API_KEY)
-    prompt_template = ChatPromptTemplate.from_template(PROMPT_TEMPLATE)
+    # Bom modelo para classificação e respostas
+    model = ChatOpenAI(model_name='gpt-4o-mini', openai_api_key=os.getenv("OPENAI_API_KEY"))
+
+    with open('know_graph.json', 'r', encoding='utf-8') as f:
+        knowledge_graph_data = json.dumps(json.load(f), ensure_ascii=False)
+
+    chat_history = ""  # Histórico inicial 
     
     while True:
         query = input("Digite sua pergunta (para sair digite 'sair'): ")
-
         if query.lower() == 'sair':
             break
 
+        # Classificação inicial
+        prompt_classifier = ChatPromptTemplate.from_template(CLASSIFIER_PROMPT)
+        classifier_input = prompt_classifier.format(
+            knowledge_graph=knowledge_graph_data,
+            chat_history=chat_history,
+            question=query
+        )
+
+        classification_response = model.invoke(classifier_input).content
+
+        cleaned_response = classification_response.replace("```json", "").replace("```", "").strip()
+        try:
+            classification = json.loads(cleaned_response)
+        except:
+            classification = {"estagio": "Nao identificado", "objecao_id": "nenhuma", "argumento_base": ""}
+
+        # Busca de contexto relevante
         docs_chroma = db_chroma.similarity_search(query, k=5)
         context_text = "\n\n".join([doc.page_content for doc in docs_chroma])
 
-        prompt = prompt_template.format(context=context_text, question=query)
+        diretriz_venda = f"\n[DIRETRIZ ESTRATÉGICA]: Estágio: {classification.get('estagio')}. " \
+                         f"Objeção: {classification.get('objecao_id')}. " \
+                         f"Argumento sugerido: {classification.get('argumento_base')}"
+        
+        full_context = context_text + diretriz_venda
+
+        prompt_final = ChatPromptTemplate.from_template(PROMPT_TEMPLATE)
+        final_input = prompt_final.format(
+            context=full_context,
+            chat_history=chat_history,
+            question=query
+        )
+
+        response = model.invoke(final_input)
+        
+        print(f"\n--- LOG DE VENDAS ---")
+        print(f"📍 Estágio: {classification.get('estagio')}")
+        print(f"⚠️ Objeção: {classification.get('objecao_id')}")
+        print(f"---------------------\n")
+        print('***Resposta:*** \n\n' + response.content)
+
+        # Atualizar histórico (simplificado)
+        chat_history += f"\nUsuário: {query}\nAssistente: {response.content}"
 
-        response = model.invoke(prompt)
-        print('\n***Resposta:*** \n\n' + response.content)
 
         print("\n" + "-"*50 + "\n")
 if __name__ == "__main__":

know_graph.json

@@ -0,0 +1,76 @@
+{
+  "empresa": "Central da Visão",
+  "versao": "1.0",
+  "funil_de_vendas": [
+    {
+      "estagio": "1. Prospecção/Saudação",
+      "objetivo": "Acolhimento inicial e identificação do canal.",
+      "acoes_chave": ["Saudação humanizada", "Uso do nome do paciente", "Explicação do projeto social"],
+      "script_base": "A Central da Visão é um projeto que oferece cirurgias em clínicas renomadas com valores mais acessíveis utilizando horários ociosos."
+    },
+    {
+      "estagio": "2. Sondagem/Qualificação",
+      "objetivo": "Identificar a necessidade (Catarata, Refrativa, etc.) e o nível de urgência.",
+      "perguntas_chave": [
+        "Para quem seria a cirurgia?",
+        "Já possui indicação cirúrgica?",
+        "Qual a maior dificuldade que a visão está causando hoje?"
+      ],
+      "gatilhos_de_entrada": [
+        "visão embaçada", "visão turva", "nuvem no olho", 
+        "dificuldade para ler", "sensibilidade à luz", "não enxergo direito"
+      ]
+    },
+    {
+      "estagio": "3. Orientação/Consideração",
+      "objetivo": "Apresentar diferenciais técnicos e converter sintomas em solução.",
+      "diferenciais": ["Clínicas com +10 anos", "Médicos especialistas (não residentes)", "Imparcialidade nos orçamentos"]
+    },
+    {
+      "estagio": "4. Fechamento/Encaminhamento",
+      "objetivo": "Agendamento da consulta de avaliação.",
+      "gatilhos": ["Escassez de agenda", "Senso de urgência (evitar agravamento)", "Facilitação de pagamento"]
+    }
+  ],
+  "mapeamento_de_objecoes": [
+    {
+      "id": "obj_preco_alto",
+      "categoria": "Financeiro",
+      "gatilhos": ["caro", "muito alto", "não tenho condições", "preço", "valor"],
+      "argumento_chave": "Focar no impacto social e no custo-benefício. Comparar o valor da cirurgia com a perda de autonomia. Oferecer parcelamento em 10x/12x.",
+      "diretriz": "Não dar desconto de imediato. Explicar que usamos tecnologia de ponta e médicos experientes."
+    },
+    {
+      "id": "obj_ja_tem_exames",
+      "categoria": "Técnica",
+      "gatilhos": ["já tenho exames", "fiz os exames", "quero saber se serve", "só quero o preço"],
+      "argumento_chave": "Segurança e responsabilidade. O cirurgião da Central precisa validar os exames no protocolo da clínica para garantir o resultado.",
+      "fonte": "Cenário H - Treinamento de Argumentação"
+    },
+    {
+      "id": "obj_distancia",
+      "categoria": "Logística",
+      "gatilhos": ["longe", "outra cidade", "distante", "não tenho como ir"],
+      "argumento_chave": "Explicar que a jornada é curta (poucas visitas à clínica) e que o benefício de operar em um centro de excelência compensa o deslocamento.",
+      "fonte": "Cenário C - Treinamento de Argumentação"
+    },
+    {
+      "id": "obj_medo_cirurgia",
+      "categoria": "Emocional",
+      "gatilhos": ["medo", "perigoso", "ficar cego", "anestesia", "risco"],
+      "argumento_chave": "Empatia radical. Explicar que é um procedimento seguro, rápido e que a Central acompanha do pré ao pós-operatório.",
+      "fonte": "Cenário B - Treinamento de Argumentação"
+    },
+    {
+      "id": "obj_comparacao_concorrente",
+      "categoria": "Mercado",
+      "gatilhos": ["vi mais barato", "mutirão", "concorrente", "outra clínica"],
+      "argumento_chave": "Diferenciação por qualidade. Não trabalhamos com mutirões ou residentes. Nossas clínicas têm rigorosos padrões de afiliação.",
+      "fonte": "Posicionamento de Marketing"
+    }
+  ],
+  "regras_de_ouro": {
+    "termos_proibidos": ["Atendimento humanizado", "Equipamentos modernos", "Médicos maravilhosos"],
+    "postura": "Empatia radical e precisão técnica. Chame sempre pelo nome."
+  }
+}

prompts.py

@@ -46,4 +46,23 @@ Baseie-se nos documentos para contornar objeções:
 
 ## REGRA DE OURO:
 Analise o HISTÓRICO DA CONVERSA. Se você já cumprimentou o usuário anteriormente ou se já se apresentou, NÃO diga "Olá", "Bom dia" ou "Sou o consultor" novamente. Responda diretamente à NOVA MENSAGEM, mantendo o tom acolhedor.
+"""
+
+CLASSIFIER_PROMPT = """
+Você é um analista de vendas da Central da Visão. Sua tarefa é analisar a mensagem do usuário e o histórico para classificar o estágio no funil e identificar possíveis objeções, baseando-se na Estrutura JSON fornecida.
+
+ESTRUTURA JSON DE REFERÊNCIA:
+{knowledge_graph}
+
+HISTÓRICO:
+{chat_history}
+
+MENSAGEM DO USUÁRIO:
+{question}
+
+INSTRUÇÃO:
+Responda EXCLUSIVAMENTE em formato JSON com as seguintes chaves:
+- "estagio": O nome do estágio identificado (conforme o JSON).
+- "objecao_id": O ID da objeção detectada ou "nenhuma".
+- "argumento_base": O 'argumento_chave' ou 'script_base' correspondente encontrado no JSON para ajudar na resposta.
 """