Update app.py

app.py

@@ -31,7 +31,7 @@ LLAMA_MODELS = {
 
 MAX_TOKENS_MAP = {
     "meta-llama/Llama-3.3-70B-Instruct": 900,
-    "meta-llama/Llama-3.1-8B-Instruct": 600,
+    "meta-llama/Llama-3.1-8B-Instruct": 700,
     "Qwen/QwQ-32B": 8192
 }
 
@@ -64,16 +64,13 @@ def create_engine_and_load_db(csv_path, sql_db_path):
     df = pd.read_csv(csv_path, sep=";", on_bad_lines="skip")
     df.to_sql("tabela", engine, index=False, if_exists="replace")
     logging.info(f"[ENGINE] Banco criado com sucesso com {len(df)} linhas e {len(df.columns)} colunas")
+    
     return engine
 
 def handle_csv_upload(file):
     global engine, db, sql_agent
 
     try:
-        if file is None or not hasattr(file, "name"):
-            logging.warning("[UPLOAD] Nenhum arquivo CSV foi carregado.")
-            return
-
         file_path = file.name
         shutil.copy(file_path, UPLOADED_CSV_PATH)
         logging.info(f"[UPLOAD] CSV salvo como: {UPLOADED_CSV_PATH}")
@@ -104,13 +101,15 @@ def handle_csv_upload(file):
 
 def reset_app():
     global engine, db, sql_agent, query_cache, history_log, recent_history
+    
     try:
         if os.path.exists(UPLOADED_CSV_PATH):
             os.remove(UPLOADED_CSV_PATH)
             logging.info("[RESET] CSV personalizado removido.")
+            
         engine = create_engine_and_load_db(DEFAULT_CSV_PATH, SQL_DB_PATH)
         db = SQLDatabase(engine=engine)
-        sql_agent = create_sql_agent(ChatOpenAI(model="gpt-4o-mini", temperature=0), db=db, agent_type="openai-tools")
+        sql_agent = create_sql_agent(ChatOpenAI(model="gpt-4o-mini", temperature=0), db=db, agent_type="openai-tools", verbose=True, max_iterations=40, return_intermediate_steps=True)
         query_cache.clear()
         history_log.clear()
         recent_history.clear()
@@ -130,8 +129,8 @@ def generate_initial_context(db_sample):
         f"Você é um assistente que gera queries SQL objetivas e eficientes. Sempre inclua LIMIT 10 nas queries. Aqui está o banco de dados:\n\n"
         f"Exemplos do banco de dados:\n{db_sample.head().to_string(index=False)}\n\n"
         "\n***IMPORTANTE***: Detecte automaticamente o idioma da pergunta do usuário e responda sempre no mesmo idioma.\n"
-        "Essa base de dados representa o sellout de 2025, janeiro, fevereiro e março até dia 11, de uma farmácia.\n"
-        "Cada linha representa a venda de um SKU em uma determinada data.\n"
+        #"Essa base de dados representa o sellout de 2025, janeiro, fevereiro e março até dia 11, de uma farmácia.\n"
+        #"Cada linha representa a venda de um SKU em uma determinada data.\n"
         "\nRetorne apenas a pergunta e a query SQL mais eficiente para entregar ao agent SQL do LangChain para gerar uma resposta. O formato deve ser:\n"
         "\nPergunta: <pergunta do usuário>\n"
         "\nOpção de Query SQL:\n<query SQL>"
@@ -232,11 +231,11 @@ def toggle_history():
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     with gr.Row():
         with gr.Column(scale=1):
-            gr.Markdown("## ⚙️ Configurações")
+            gr.Markdown("## Configurações")
             model_selector = gr.Dropdown(list(LLAMA_MODELS.keys()), value="LLaMA 70B", label="")
             csv_file = gr.File(file_types=[".csv"], label="")
             upload_feedback = gr.Markdown()
-            reset_btn = gr.Button("🔄 Resetar")
+            reset_btn = gr.Button("Resetar")
 
         with gr.Column(scale=4):
             gr.Markdown("## Reasoning Agent")