# ---------- app.py ----------
# Dependências:
# pip install gradio faiss-cpu sentence-transformers openai
import os
from pathlib import Path
import pickle
from typing import List, Dict, Any
import gradio as gr
import faiss
from sentence_transformers import SentenceTransformer
from openai import OpenAI
# ========= NVIDIA API =========
NV_API_KEY = os.environ.get("NVIDIA_API_KEY") or os.environ.get("NV_API_KEY")
if not NV_API_KEY:
raise RuntimeError(
"A chave da NVIDIA não foi encontrada.\n"
"Defina um secret chamado 'NVIDIA_API_KEY' (ou NV_API_KEY) com a tua chave da NVIDIA.\n"
"• Localmente: export NVIDIA_API_KEY='SUA_CHAVE'\n"
"• Hugging Face Spaces: Settings -> Repository secrets -> Add secret."
)
client = OpenAI(
base_url="https://integrate.api.nvidia.com/v1",
api_key=NV_API_KEY,
)
CHAT_MODEL = "meta/llama3-8b-instruct"
# ========= Configuração do App =========
APP_TITLE = "EcoLexIA – Assistente Inteligente de Leis Ambientais de Portugal"
INTRO = (
"👋 Bem-vindo ao **EcoLexIA**, o teu assistente jurídico especializado em **direito do ambiente em Portugal**.\n\n"
"Este sistema utiliza **RAG (Retrieval-Augmented Generation)** para consultar automaticamente os documentos legais "
"carregados (leis, decretos, regulamentos, pareceres, etc.) e responder às tuas perguntas com base nesses textos."
)
SUGGESTION_QUESTIONS = [
"Resuma os principais princípios da Lei de Bases do Ambiente.",
"Quais são as obrigações do Estado em matéria de proteção ambiental?",
"Explique como funciona a Avaliação de Impacte Ambiental em Portugal.",
"Que legislação regula a gestão de resíduos urbanos?",
"Existe enquadramento legal para participação pública em decisões ambientais?",
"Quais são as regras sobre emissões poluentes na indústria?",
]
SUGGESTIONS_THEMES = {
"Lei de Bases do Ambiente": [
"Quais são os princípios fundamentais da Lei de Bases do Ambiente?",
"Como a Lei de Bases do Ambiente enquadra o desenvolvimento sustentável?",
],
"Avaliação de Impacte Ambiental (AIA)": [
"Explique o que é Avaliação de Impacte Ambiental e quando é obrigatória.",
"Que entidades estão envolvidas no processo de AIA?",
],
"Resíduos & Poluição": [
"Que legislação trata da gestão de resíduos em Portugal?",
"Que obrigações têm as empresas relativamente ao controlo de emissões poluentes?",
],
"Ordenamento do Território & Conservação": [
"Como o ordenamento do território se articula com a proteção ambiental?",
"Que diplomas legais regulam áreas protegidas e conservação da natureza?",
],
}
# ========= Caminhos do índice =========
INDEX_FILE = "faiss_index.faiss"
EMBEDDINGS_FILE = "embeddings.pkl"
if not Path(INDEX_FILE).exists() or not Path(EMBEDDINGS_FILE).exists():
raise FileNotFoundError(
"❌ Índice não encontrado.\n"
"Certifique-se de que 'faiss_index.faiss' e 'embeddings.pkl' "
"foram gerados pelo build_index.py na mesma pasta deste app."
)
index = faiss.read_index(INDEX_FILE)
with open(EMBEDDINGS_FILE, "rb") as f:
emb_data = pickle.load(f)
texts = emb_data["texts"]
metadatas = emb_data["metadatas"]
# Mesmo modelo de embeddings usado no build_index.py
embedding_model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
# ✅ Gradio atual espera "messages format":
# lista de dicts: {"role": "user"/"assistant", "content": "..."}
dialog_history: List[Dict[str, str]] = []
# ========= Recuperação de contexto =========
def retrieve_context(query: str, k: int = 4) -> str:
if not query or not query.strip():
return ""
q_emb = embedding_model.encode([query], convert_to_numpy=True)
_, indices = index.search(q_emb, k)
parts = []
for idx in indices[0]:
if idx < 0 or idx >= len(texts):
continue
chunk = texts[idx]
meta = metadatas[idx] if idx < len(metadatas) else {}
src = meta.get("source", "documento desconhecido")
parts.append(f"[Documento: {src}]\n{chunk}")
return "\n\n---\n\n".join(parts)
# ========= Streaming da NVIDIA =========
def nv_stream(messages: List[Dict[str, str]], temperature: float, top_p: float, max_tokens: int):
reply = ""
stream = client.chat.completions.create(
model=CHAT_MODEL,
messages=messages,
temperature=temperature,
top_p=top_p,
max_tokens=max_tokens,
stream=True,
)
for chunk in stream:
delta = chunk.choices[0].delta
if getattr(delta, "content", None):
reply += delta.content
yield reply
# ========= Lógica do chat =========
def chatbot(user_input: str, temperature: float, top_p: float, max_tokens: int):
global dialog_history
if not user_input or not user_input.strip():
return dialog_history, ""
context = retrieve_context(user_input, k=6)
system_msg = {
"role": "system",
"content": (
"És um assistente jurídico especializado em direito do ambiente em Portugal. "
"Responde SEMPRE em português europeu, de forma clara e estruturada.\n\n"
"Regras:\n"
"1. Usa apenas o contexto abaixo para responder.\n"
"2. Se não houver informação suficiente, diz que não encontras base nos documentos e "
"sugere consultar a legislação oficial.\n"
"3. Indica o nome do documento (PDF) sempre que fizer sentido.\n\n"
f"=== CONTEXTO RECUPERADO ===\n{context}\n\n"
),
}
# Mensagens que vão para o modelo = system + histórico + user atual
messages: List[Dict[str, str]] = [system_msg] + dialog_history + [{"role": "user", "content": user_input}]
reply_full = ""
try:
for partial in nv_stream(messages, temperature, top_p, max_tokens):
reply_full = partial
# Atualiza histórico no formato messages (compatível com Gradio)
dialog_history = dialog_history + [
{"role": "user", "content": user_input},
{"role": "assistant", "content": reply_full},
]
except Exception as e:
reply_full = f"⚠️ Erro na API NVIDIA: {type(e).__name__}: {e}"
dialog_history = dialog_history + [
{"role": "user", "content": user_input},
{"role": "assistant", "content": reply_full},
]
return dialog_history, ""
def clear_history():
global dialog_history
dialog_history = []
return [], ""
# ========= CSS =========
custom_css = r"""
body, .gradio-container {
background: #ffffff;
font-family: system-ui, -apple-system, BlinkMacSystemFont, "Segoe UI", sans-serif;
}
/* Header azul */
#header-box {
max-width: 1100px;
margin: 1.5rem auto 1rem auto;
}
.header-card {
background: linear-gradient(135deg, #0b3c91 0%, #1565c0 40%, #1e88e5 100%);
border-radius: 16px;
padding: 1.4rem 1.8rem;
color: #ffffff;
box-shadow: 0 14px 30px rgba(15, 23, 42, 0.18);
}
.header-title {
font-size: 1.6rem;
font-weight: 700;
margin: 0;
color: #ffffff !important;
}
.header-subtitle {
margin: 0.35rem 0 0 0;
font-size: 0.96rem;
opacity: 0.95;
color: #ffffff !important;
}
/* Cartões principais */
.card {
background: #ffffff;
border-radius: 16px;
border: 1px solid #e0e0e0;
box-shadow: 0 8px 18px rgba(15, 23, 42, 0.06);
padding: 1rem 1.1rem;
}
/* Chat */
#chat-window {
height: 60vh;
}
/* Botões */
.gr-button-primary {
background: #1565c0 !important;
color: #ffffff !important;
border: none !important;
}
.gr-button-secondary {
background: #f5f5f5 !important;
color: #333333 !important;
border: 1px solid #e0e0e0 !important;
}
/* Sugestões */
.suggestion-btn {
width: 100%;
justify-content: flex-start;
font-size: 0.88rem;
}
/* Rodapé */
.app-footer {
margin-top: 1rem;
font-size: 0.8rem;
text-align: center;
color: #555555;
}
"""
# ========= Layout Gradio =========
with gr.Blocks(title=APP_TITLE) as demo:
with gr.Group(elem_id="header-box"):
gr.HTML(
f"""
"""
)
gr.Markdown(INTRO)
with gr.Row():
with gr.Column(scale=3):
with gr.Group(elem_classes="card"):
gr.Markdown("### 💬 Conversa Jurídica")
# ✅ Agora o valor/retorno é messages-format (dicts role/content)
chatbot_ui = gr.Chatbot(
elem_id="chat-window",
label="Chatbot",
)
txt = gr.Textbox(
placeholder="Escreve aqui a tua pergunta sobre leis do ambiente em Portugal…",
lines=3,
show_label=False,
)
with gr.Row():
btn_send = gr.Button("Enviar", variant="primary")
btn_clear = gr.Button("Limpar", variant="secondary")
with gr.Accordion("Parâmetros avançados", open=False):
temperature = gr.Slider(0, 1, value=0.5, label="Temperature")
top_p = gr.Slider(0, 1, value=0.9, label="Top-p")
max_tokens = gr.Slider(64, 2048, value=512, step=64, label="Max Tokens")
btn_send.click(chatbot, [txt, temperature, top_p, max_tokens], [chatbot_ui, txt])
txt.submit(chatbot, [txt, temperature, top_p, max_tokens], [chatbot_ui, txt])
btn_clear.click(clear_history, [], [chatbot_ui, txt])
with gr.Column(scale=2):
with gr.Group(elem_classes="card"):
gr.Markdown("### 💡 Sugestões rápidas")
for q in SUGGESTION_QUESTIONS:
gr.Button(q, elem_classes="suggestion-btn").click(lambda s=q: s, outputs=[txt])
gr.Markdown("---")
gr.Markdown("### 📚 Explorar por tema")
for theme, qs in SUGGESTIONS_THEMES.items():
with gr.Accordion(theme, open=False):
for q in qs:
gr.Button(q, elem_classes="suggestion-btn").click(lambda s=q: s, outputs=[txt])
gr.Markdown('')
if __name__ == "__main__":
demo.queue() # recomendado para streaming/requests no Spaces
demo.launch(
theme=gr.themes.Soft(),
css=custom_css,
ssr_mode=False, # DESLIGA SSR experimental (evita esse erro do asyncio)
)