Upload 2 files

app.py

@@ -0,0 +1,161 @@
+import os
+import time
+import pandas as pd
+from sqlalchemy import create_engine
+from langchain_openai import ChatOpenAI
+from langchain_community.agent_toolkits import create_sql_agent
+from langchain_community.utilities import SQLDatabase
+from huggingface_hub import InferenceClient
+import gradio as gr
+from dotenv import load_dotenv
+import logging
+
+load_dotenv()
+
+CSV_FILE_PATH = "anomalia_vendas.csv"
+SQL_DB_PATH = "data.db"
+HUGGINGFACE_API_KEY = os.getenv("HUGGINGFACE_API_KEY")
+OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
+LLAMA_MODEL = "meta-llama/Llama-3.3-70B-Instruct"
+
+hf_client = InferenceClient(api_key=HUGGINGFACE_API_KEY)
+os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY
+
+query_cache = {}
+history_log = []  
+recent_history = []  
+show_history_flag = False
+
+logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
+
+def create_or_load_sql_database(csv_path, sql_db_path):
+    if os.path.exists(sql_db_path):
+        print("Banco de dados SQL já existe. Carregando...")
+        return create_engine(f"sqlite:///{sql_db_path}")
+    else:
+        print("Banco de dados SQL não encontrado. Criando...")
+        engine = create_engine(f"sqlite:///{sql_db_path}")
+        df = pd.read_csv(csv_path, sep=";", on_bad_lines="skip")
+        print(f"CSV carregado: {len(df)} linhas, {len(df.columns)} colunas")
+        df.to_sql("anomalia_vendas", engine, index=False, if_exists="replace")
+        print("Banco de dados SQL criado com sucesso!")
+        return engine
+
+engine = create_or_load_sql_database(CSV_FILE_PATH, SQL_DB_PATH)
+db = SQLDatabase(engine=engine)
+
+llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
+sql_agent = create_sql_agent(llm, db=db, agent_type="openai-tools", verbose=True, max_iterations=40, return_intermediate_steps=True)
+
+def generate_initial_context(db_sample):
+    return (
+        f"Você é um assistente que gera queries SQL objetivas e eficientes. Sempre inclua LIMIT 15 nas queries. Aqui está o banco de dados:\n\n"
+        ###f"Colunas: {', '.join(db_sample.columns)}\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"
+        "\nRetorne apenas a pergunta e a query SQL mais eficiente para entregar ao agent SQL do LangChain para gerar uma resposta para a pergunta. O formato deve ser:\n"
+        "\nPergunta: <pergunta do usuário>\n"
+        "\nOpção de Query SQL:\n<query SQL>"
+        "\nIdioma: <idioma>"
+    )
+
+def is_greeting(user_query):
+    greetings = ["olá", "oi", "bom dia", "boa tarde", "boa noite", "oi, tudo bem?"]
+    return user_query.lower().strip() in greetings
+
+def query_with_llama(user_query, db_sample):
+    initial_context = generate_initial_context(db_sample)
+    formatted_history = "\n".join(
+        [f"{msg['role'].capitalize()}: {msg['content']}" for msg in recent_history[-2:]]
+    )
+    
+    full_prompt = f"{initial_context}\n\nHistórico recente:\n{formatted_history}\n\nPergunta do usuário:\n{user_query}"
+    
+    logging.info(f"[DEBUG] Contexto enviado ao Llama:\n{full_prompt}\n")
+    
+    start_time = time.time()
+    try:
+        response = hf_client.chat.completions.create(
+            model=LLAMA_MODEL,
+            messages=[{"role": "system", "content": full_prompt}],
+            max_tokens=500,
+            stream=False
+        )
+        llama_response = response["choices"][0]["message"]["content"]
+        end_time = time.time()
+        logging.info(f"[DEBUG] Resposta do Llama para o Agent SQL:\n{llama_response.strip()}\n[Tempo de execução: {end_time - start_time:.2f}s]\n")
+        return llama_response.strip()
+    except Exception as e:
+        logging.error(f"[ERRO] Falha ao interagir com o Llama: {e}")
+        return None
+
+def query_sql_agent(user_query):
+    try:
+        if user_query in query_cache:
+            print(f"[CACHE] Retornando resposta do cache para a consulta: {user_query}")
+            return query_cache[user_query]
+
+        if is_greeting(user_query):
+            greeting_response = "Olá! Estou aqui para ajudar com suas consultas. Pergunte algo relacionado aos dados carregados no agente!"
+            query_cache[user_query] = greeting_response  # Armazena saudação no cache
+            return greeting_response
+
+        column_data = pd.read_sql_query("SELECT * FROM anomalia_vendas LIMIT 10", engine)
+        llama_instruction = query_with_llama(user_query, column_data)
+        if not llama_instruction:
+            return "Erro: O modelo Llama não conseguiu gerar uma instrução válida."
+
+        print("------- Agent SQL: Executando query -------")
+        response = sql_agent.invoke({"input": llama_instruction})
+        sql_response = response.get("output", "Erro ao obter a resposta do agente.")
+
+        query_cache[user_query] = sql_response
+        return sql_response
+        
+    except Exception as e:
+        return f"Erro ao consultar o agente SQL: {e}"
+
+def chatbot_response(user_input):
+    start_time = time.time()
+    response = query_sql_agent(user_input)
+    end_time = time.time()
+    
+    history_log.append({"Pergunta": user_input, "Resposta": response, "Tempo de Resposta (s)": round(end_time - start_time, 2)})
+    recent_history.append({"role": "user", "content": user_input})
+    recent_history.append({"role": "assistant", "content": response})
+    
+    if len(recent_history) > 4:
+        recent_history.pop(0)
+        recent_history.pop(0)
+    
+    return response
+
+def toggle_history():
+    global show_history_flag
+    show_history_flag = not show_history_flag
+    return history_log if show_history_flag else {}
+
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# Anomalia Agent")
+    chatbot = gr.Chatbot(height=600)
+    msg = gr.Textbox(placeholder="Digite sua pergunta aqui...", label=" ", lines=1)
+    
+    def respond(message, chat_history):
+        response = chatbot_response(message)
+        chat_history.append((message, response))
+        return "", chat_history
+    
+    with gr.Row():
+        btn = gr.Button("Enviar", variant="primary")
+        history_btn = gr.Button("Histórico", variant="secondary")
+        
+    msg.submit(respond, [msg, chatbot], [msg, chatbot])
+    btn.click(respond, [msg, chatbot], [msg, chatbot])
+    
+    history_output = gr.JSON()
+    history_btn.click(toggle_history, inputs=[], outputs=history_output)
+
+if __name__ == "__main__":
+    demo.launch(share=False)

requirements.txt

@@ -0,0 +1,11 @@
+pandas
+sqlalchemy
+langchain-openai
+langchain-community
+langchain-core
+huggingface-hub
+gradio
+python-dotenv
+openai
+PyPDF2
+pdfplumber