Add files via upload

app.py

@@ -0,0 +1,547 @@
+# -*- coding: utf-8
+# Reinaldo Chaves ([email protected])
+# Este projeto implementa um sistema de Recuperação de Informações Aumentada por Geração (RAG) conversacional 
+# usando Streamlit, LangChain, e modelos de linguagem de grande escala - para entrevistar PDFs
+# Geração de respostas usando o modelo sabia-3 da Maritaca AI especializado em Português do Brasil
+# Embeddings de texto usando o modelo all-MiniLM-L6-v2 do Hugging Face
+##
+
+
+import streamlit as st
+import os
+import tempfile
+from typing import List, Dict, Any, Optional
+from tenacity import retry, stop_after_attempt, wait_exponential
+from cachetools import TTLCache
+import logging
+from datetime import datetime
+
+# Configurar logging
+logging.basicConfig(
+    level=logging.INFO,
+    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s'
+)
+logger = logging.getLogger(__name__)
+
+# Configurar ambiente
+os.environ["TOKENIZERS_PARALLELISM"] = "false"
+
+# Imports do LangChain
+from langchain.chains import create_history_aware_retriever, create_retrieval_chain
+from langchain.chains.combine_documents import create_stuff_documents_chain
+from langchain_community.chat_message_histories import ChatMessageHistory
+from langchain_core.chat_history import BaseChatMessageHistory
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.runnables.history import RunnableWithMessageHistory
+from langchain_huggingface import HuggingFaceEmbeddings
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+from langchain_community.document_loaders import PyPDFLoader
+from langchain_community.vectorstores import FAISS
+from langchain_core.runnables import Runnable
+from maritalk import MariTalk
+
+# Cache para embeddings
+embeddings_cache = TTLCache(maxsize=100, ttl=3600)
+
+class MariTalkWrapper(Runnable):
+    """Wrapper para o modelo MariTalk compatível com LangChain"""
+    
+    def __init__(self, maritalk_model: Any, max_retries: int = 3, timeout: int = 30):
+        self.maritalk_model = maritalk_model
+        self.max_retries = max_retries
+        self.timeout = timeout
+
+    @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
+    def invoke(self, input: Any, config: Optional[Dict] = None) -> str:
+        try:
+            # Lidar com ChatPromptValue
+            if hasattr(input, "to_messages"):
+                messages = input.to_messages()
+                formatted_messages = self._format_messages(messages)
+                response = self.maritalk_model.generate(formatted_messages)
+                if isinstance(response, str):
+                    return response
+                elif isinstance(response, dict) and 'text' in response:
+                    return response['text']
+                else:
+                    return response[0]['content'] if isinstance(response, list) else str(response)
+            
+            # Lidar com dicionário
+            elif isinstance(input, dict):
+                if "messages" in input:
+                    messages = input["messages"]
+                    formatted_messages = self._format_messages(messages)
+                    response = self.maritalk_model.generate(formatted_messages)
+                    if isinstance(response, str):
+                        return response
+                    elif isinstance(response, dict) and 'text' in response:
+                        return response['text']
+                    else:
+                        return response[0]['content'] if isinstance(response, list) else str(response)
+                elif "answer" in input:
+                    return str(input["answer"])
+                else:
+                    return self._process_text(str(input))
+            
+            # Lidar com string
+            elif isinstance(input, str):
+                return self._process_text(input)
+            
+            else:
+                raise TypeError(f"Tipo de input não suportado: {type(input)}")
+        
+        except Exception as e:
+            logger.error(f"Erro na chamada à API MariTalk: {str(e)}")
+            logger.error(f"Input recebido: {str(input)[:200]}")
+            logger.error(f"Tipo do input: {type(input)}")
+            raise
+
+    def _format_messages(self, messages: List[Any]) -> List[Dict[str, str]]:
+        formatted = []
+        for msg in messages:
+            role = "user"
+            if hasattr(msg, "type"):
+                if msg.type == "human":
+                    role = "user"
+                elif msg.type in ["ai", "assistant"]:
+                    role = "assistant"
+                elif msg.type == "system":
+                    role = "system"
+                formatted.append({"role": role, "content": msg.content})
+            elif isinstance(msg, dict):
+                role = msg.get("role", "user")
+                content = msg.get("content", "")
+                formatted.append({"role": role, "content": content})
+            else:
+                formatted.append({"role": "user", "content": str(msg)})
+        return formatted
+
+    def _process_text(self, text: str) -> str:
+        response = self.maritalk_model.generate([{"role": "user", "content": text}])
+        if isinstance(response, str):
+            return response
+        elif isinstance(response, dict) and 'text' in response:
+            return response['text']
+        elif isinstance(response, list) and len(response) > 0:
+            return response[0].get('content', str(response))
+        else:
+            return str(response)
+
+def init_page_config():
+    st.set_page_config(
+        page_title="Chatbot com IA especializada em Português do Brasil - entrevista PDFs",
+        layout="wide",
+        initial_sidebar_state="expanded",
+        page_icon="📚"
+    )
+
+def apply_custom_css():
+    st.markdown("""
+    <style>
+    .stApp {
+        background-color: #0e1117;
+        color: #fafafa;
+    }
+    .chat-message {
+        padding: 1rem;
+        border-radius: 0.5rem;
+        margin-bottom: 1rem;
+        display: flex;
+        flex-direction: column;
+        width: 100%;
+    }
+    .user-message {
+        background-color: #2e2e2e;
+    }
+    .assistant-message {
+        background-color: #1e1e1e;
+    }
+    .chat-header {
+        font-weight: bold;
+        margin-bottom: 0.5rem;
+    }
+    .chat-content {
+        margin-left: 1rem;
+        white-space: pre-line;
+    }
+    .chat-content em {
+        color: #888;
+        font-size: 0.9em;
+        display: block;
+        margin-top: 10px;
+        border-top: 1px solid #444;
+        padding-top: 8px;
+    }
+    .main-title {
+        color: #FFA500;
+        font-size: 2.5em;
+        font-weight: bold;
+        margin-bottom: 30px;
+    }
+    .stButton > button {
+        background-color: #262730;
+        color: #4F8BF9;
+        border-radius: 20px;
+        padding: 10px 20px;
+    }
+    div[data-testid="stToolbar"] {
+        display: none;
+    }
+    .stDeployButton {
+        display: none;
+    }
+    .token-info {
+        font-style: italic;
+        color: #888;
+        margin-top: 10px;
+        padding-top: 8px;
+        border-top: 1px solid #444;
+    }
+    </style>
+    """, unsafe_allow_html=True)
+
+def create_sidebar():
+    st.sidebar.markdown("## Orientações")
+    st.sidebar.markdown("""
+    * Se encontrar erros de processamento, reinicie com F5. Utilize arquivos .PDF com textos não digitalizados como imagens.
+    * Para recomeçar uma nova sessão pressione F5.
+
+    **Obtenção de chaves de API:**
+    * Você pode fazer uma conta na MaritacaAI e obter uma chave de API [aqui](https://plataforma.maritaca.ai/)
+    * Você pode fazer uma conta no Hugging Face e obter o token de API Hugging Face [aqui](https://huggingface.co/docs/hub/security-tokens)
+
+    **Atenção:** Os documentos que você compartilhar com o modelo de IA generativa podem ser usados pelo LLM para treinar o sistema. Portanto, evite compartilhar documentos PDF que contenham:
+    1. Dados bancários e financeiros
+    2. Dados de sua própria empresa
+    3. Informações pessoais
+    4. Informações de propriedade intelectual
+    5. Conteúdos autorais
+
+    E não use IA para escrever um texto inteiro! O auxílio é melhor para gerar resumos, filtrar informações ou auxiliar a entender contextos - que depois devem ser checados. Inteligência Artificial comete erros (alucinações, viés, baixa qualidade, problemas éticos)!
+
+    Este projeto não se responsabiliza pelos conteúdos criados a partir deste site.
+
+    **Sobre este app**
+    Este aplicativo foi desenvolvido por Reinaldo Chaves. Para mais informações, contribuições e feedback, visite o [repositório](https://github.com/reichaves/rag_chat_llama3)
+    """)
+
+def display_chat_message(message: str, is_user: bool):
+    class_name = "user-message" if is_user else "assistant-message"
+    role = "Você" if is_user else "Assistente"
+    
+    # Se for resposta do assistente, extrair e formatar o texto
+    if not is_user:
+        if isinstance(message, dict):
+            content = message.get('answer', str(message))
+            tokens = message.get('usage', {}).get('total_tokens', None)
+            
+            # Substituir \n por <br> para quebras de linha HTML
+            content = content.replace('\n', '<br>')
+            
+            if tokens:
+                content = f"{content}<br><br><em>Total tokens: {tokens}</em>"
+        else:
+            content = str(message)
+    else:
+        content = message
+    
+    st.markdown(f"""
+        <div class="chat-message {class_name}">
+            <div class="chat-header">{role}:</div>
+            <div class="chat-content">{content}</div>
+        </div>
+    """, unsafe_allow_html=True)
+
+def setup_rag_chain(documents: List[Any], llm: Any, embeddings: Any) -> Any:
+    text_splitter = RecursiveCharacterTextSplitter(
+        chunk_size=1000,
+        chunk_overlap=200,
+        length_function=len,
+        is_separator_regex=False
+    )
+    
+    splits = text_splitter.split_documents(documents)
+    vectorstore = FAISS.from_documents(splits, embeddings)
+    retriever = vectorstore.as_retriever()
+    
+    contextualize_q_prompt = ChatPromptTemplate.from_messages([
+        ("system", """
+        Você é um assistente especializado em analisar documentos PDF com um contexto jornalístico, 
+            como documentos da Lei de Acesso à Informação, contratos públicos e processos judiciais. 
+            Sempre coloque no final das respostas: 'Todas as informações devem ser checadas com a(s) fonte(s) original(ais)'
+            Responda em Português do Brasil a menos que seja pedido outro idioma
+            Se você não sabe a resposta, diga que não sabe
+            Siga estas diretrizes:\n\n
+            1. Explique os passos de forma simples e mantenha as respostas concisas.\n
+            2. Inclua links para ferramentas, pesquisas e páginas da Web citadas.\n
+            3. Ao resumir passagens, escreva em nível universitário.\n
+            4. Divida tópicos em partes menores e fáceis de entender quando relevante.\n
+            5. Seja claro, breve, ordenado e direto nas respostas.\n
+            6. Evite opiniões e mantenha-se neutro.\n
+            7. Base-se nas classes processuais do Direito no Brasil conforme o site do CNJ.\n
+            8. Se não souber a resposta, admita que não sabe.\n\n
+            Ao analisar processos judiciais, priorize:\n
+            - Identificar se é petição inicial, decisão ou sentença\n
+            - Apresentar a ação e suas partes\n
+            - Explicar os motivos do ajuizamento\n
+            - Listar os requerimentos do autor\n
+            - Expor o resultado das decisões\n
+            - Indicar o status do processo\n\n
+            Para licitações ou contratos públicos, considere as etapas do processo licitatório e as modalidades de licitação.\n\n
+            Para documentos da Lei de Acesso à Informação (LAI), inclua:\n
+            - Data\n
+            - Protocolo NUP\n
+            - Nome do órgão público\n
+            - Nomes dos responsáveis pela resposta\n
+            - Data da resposta\n
+            - Se o pedido foi totalmente atendido, parcialmente ou negado\n\n
+            Use o seguinte contexto para responder à pergunta: {context}\n\n
+            Sempre termine as respostas com: 'Todas as informações precisam ser checadas com as fontes das informações'."
+            )
+        """),
+        MessagesPlaceholder("chat_history"),
+        ("human", "{input}"),
+    ])
+    
+    qa_prompt = ChatPromptTemplate.from_messages([
+        ("system", """
+        Você é um assistente especializado em análise de documentos.
+        
+        Use este contexto para responder à pergunta: {context}
+        
+        Diretrizes:
+        1. Use o contexto fornecido E o histórico do chat para suas respostas
+        2. Mantenha consistência com respostas anteriores
+        3. Se uma informação não estiver no contexto mas foi mencionada antes, você pode usá-la
+        4. Seja conciso mas mantenha a coerência com o histórico
+        5. Se houver contradição entre o histórico e o novo contexto, mencione isso
+        
+        Responda em Português do Brasil.
+         
+         Mais orientações:
+         Você é um assistente especializado em analisar documentos PDF com um contexto jornalístico, 
+            como documentos da Lei de Acesso à Informação, contratos públicos e processos judiciais. 
+            Sempre coloque no final das respostas: 'Todas as informações devem ser checadas com a(s) fonte(s) original(ais)'
+            Responda em Português do Brasil a menos que seja pedido outro idioma
+            Se você não sabe a resposta, diga que não sabe
+            Siga estas diretrizes:\n\n
+            1. Explique os passos de forma simples e mantenha as respostas concisas.\n
+            2. Inclua links para ferramentas, pesquisas e páginas da Web citadas.\n
+            3. Ao resumir passagens, escreva em nível universitário.\n
+            4. Divida tópicos em partes menores e fáceis de entender quando relevante.\n
+            5. Seja claro, breve, ordenado e direto nas respostas.\n
+            6. Evite opiniões e mantenha-se neutro.\n
+            7. Base-se nas classes processuais do Direito no Brasil conforme o site do CNJ.\n
+            8. Se não souber a resposta, admita que não sabe.\n\n
+            Ao analisar processos judiciais, priorize:\n
+            - Identificar se é petição inicial, decisão ou sentença\n
+            - Apresentar a ação e suas partes\n
+            - Explicar os motivos do ajuizamento\n
+            - Listar os requerimentos do autor\n
+            - Expor o resultado das decisões\n
+            - Indicar o status do processo\n\n
+            Para licitações ou contratos públicos, considere as etapas do processo licitatório e as modalidades de licitação.\n\n
+            Para documentos da Lei de Acesso à Informação (LAI), inclua:\n
+            - Data\n
+            - Protocolo NUP\n
+            - Nome do órgão público\n
+            - Nomes dos responsáveis pela resposta\n
+            - Data da resposta\n
+            - Se o pedido foi totalmente atendido, parcialmente ou negado\n\n
+            Use o seguinte contexto para responder à pergunta: {context}\n\n
+            Sempre termine as respostas com: 'Todas as informações precisam ser checadas com as fontes das informações'."
+            )
+        """),
+        MessagesPlaceholder("chat_history"),
+        ("human", "{input}"),
+    ])
+    
+    history_aware_retriever = create_history_aware_retriever(llm, retriever, contextualize_q_prompt)
+    question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)
+    
+    return create_retrieval_chain(history_aware_retriever, question_answer_chain)
+
+def process_documents(uploaded_files: List[Any]) -> List[Any]:
+    documents = []
+    progress_bar = st.progress(0)
+    
+    for i, uploaded_file in enumerate(uploaded_files):
+        try:
+            with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf") as temp_file:
+                temp_file.write(uploaded_file.getvalue())
+                temp_file_path = temp_file.name
+            
+            loader = PyPDFLoader(temp_file_path)
+            docs = loader.load()
+            documents.extend(docs)
+            os.unlink(temp_file_path)
+            
+            progress_bar.progress((i + 1) / len(uploaded_files))
+            
+        except Exception as e:
+            logger.error(f"Erro ao processar {uploaded_file.name}: {str(e)}")
+            st.error(f"Erro ao processar {uploaded_file.name}")
+    
+    progress_bar.empty()
+    return documents
+
+def display_chat_interface():
+    """Exibe a interface do chat com o campo de entrada fixo"""
+    # Container para o histórico do chat
+    chat_container = st.container()
+    
+    # Container fixo para o campo de entrada
+    input_container = st.container()
+    
+    # Usar o container de entrada
+    with input_container:
+        user_input = st.text_input("💭 Sua pergunta:", key=f"user_input_{len(st.session_state.get('messages', []))}")
+    
+    # Usar o container do chat para exibir mensagens
+    with chat_container:
+        if 'messages' in st.session_state:
+            for msg in st.session_state.messages:
+                display_chat_message(msg["content"], msg["role"] == "user")
+    
+    return user_input
+
+def update_chat_history(user_input: str, assistant_response: Any):
+    if 'messages' not in st.session_state:
+        st.session_state.messages = []
+    
+    # Adicionar ao histórico
+    st.session_state.messages.append({"role": "user", "content": user_input})
+    st.session_state.messages.append({"role": "assistant", "content": assistant_response})
+
+def main():
+    init_page_config()
+    apply_custom_css()
+    create_sidebar()
+    
+    st.markdown('<h1 class="main-title">Chatbot com modelo de IA especializado em Português do Brasil - entrevista PDFs 📚</h1>', unsafe_allow_html=True)
+    
+    col1, col2 = st.columns(2)
+    with col1:
+        maritaca_api_key = st.text_input("Chave API Maritaca:", type="password")
+    with col2:
+        huggingface_api_token = st.text_input("Token API Hugging Face:", type="password")
+    
+    if not (maritaca_api_key and huggingface_api_token):
+        st.warning("⚠️ Insira as chaves de API para continuar")
+        return
+    
+    # Configurar ambiente
+    os.environ["HUGGINGFACEHUB_API_TOKEN"] = huggingface_api_token
+    
+    try:
+        maritalk_model = MariTalk(key=maritaca_api_key, model="sabia-3")
+        llm = MariTalkWrapper(maritalk_model)
+        embeddings = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
+    except Exception as e:
+        st.error(f"Erro ao inicializar modelos: {str(e)}")
+        return
+    
+    # Inicializar sessão se necessário
+    if 'store' not in st.session_state:
+        st.session_state.store = {}
+    if 'messages' not in st.session_state:
+        st.session_state.messages = []
+    
+    col1, col2 = st.columns([3, 1])
+    with col1:
+        session_id = st.text_input("ID da Sessão:", value=datetime.now().strftime("%Y%m%d_%H%M%S"))
+    with col2:
+        if st.button("🗑️ Limpar Chat"):
+            for key in ['messages', 'documents', 'documents_processed', 'rag_chain']:
+                if key in st.session_state:
+                    del st.session_state[key]
+            
+            if session_id in st.session_state.store:
+                st.session_state.store[session_id] = ChatMessageHistory()
+            st.success("Chat limpo com sucesso!")
+            st.rerun()
+    
+    # Upload de arquivos
+    uploaded_files = st.file_uploader(
+        "Upload de PDFs:",
+        type="pdf",
+        accept_multiple_files=True,
+        help="Selecione um ou mais arquivos PDF"
+    )
+    
+    if not uploaded_files:
+        st.info("📤 Faça upload de PDFs para começar")
+        return
+    
+    # Processamento de documentos
+    if uploaded_files:
+        if 'documents_processed' not in st.session_state or not st.session_state.documents_processed:
+            documents = process_documents(uploaded_files)
+            if not documents:
+                st.error("❌ Nenhum documento processado")
+                return
+            st.session_state.documents = documents
+            st.session_state.documents_processed = True
+            
+            # Criar RAG chain logo após processar documentos
+            try:
+                rag_chain = setup_rag_chain(documents, llm, embeddings)
+                st.session_state.rag_chain = rag_chain
+                st.success(f"✅ {len(documents)} documentos processados")
+            except Exception as e:
+                logger.error(f"Erro ao configurar RAG chain: {str(e)}")
+                st.error("Erro ao configurar o sistema")
+                return
+    
+    try:
+        def get_session_history(session: str) -> BaseChatMessageHistory:
+            if session not in st.session_state.store:
+                st.session_state.store[session] = ChatMessageHistory()
+            return st.session_state.store[session]
+        
+        conversational_rag_chain = RunnableWithMessageHistory(
+            st.session_state.rag_chain,
+            get_session_history,
+            input_messages_key="input",
+            history_messages_key="chat_history",
+            output_messages_key="answer"
+        )
+    except Exception as e:
+        logger.error(f"Erro ao configurar RAG chain: {str(e)}")
+        st.error("Erro ao configurar o sistema")
+        return
+    
+    # Interface de chat com campo de entrada fixo
+    user_input = display_chat_interface()
+    
+    if user_input:
+        with st.spinner("🤔 Pensando..."):
+            try:
+                response = conversational_rag_chain.invoke(
+                    {"input": user_input},
+                    config={"configurable": {"session_id": session_id}}
+                )
+                
+                logger.info(f"Tipo da resposta: {type(response)}")
+                logger.info(f"Conteúdo da resposta: {str(response)[:200]}...")
+                
+                # Atualizar o histórico
+                update_chat_history(user_input, response)
+                
+                # Atualizar o histórico do LangChain
+                history = get_session_history(session_id)
+                history.add_user_message(user_input)
+                if isinstance(response, dict) and 'answer' in response:
+                    history.add_ai_message(response['answer'])
+                else:
+                    history.add_ai_message(str(response))
+                
+                # Forçar rerun para atualizar a interface
+                st.rerun()
+                    
+            except Exception as e:
+                logger.error(f"Erro ao processar pergunta: {str(e)}", exc_info=True)
+                st.error(f"❌ Erro ao processar sua pergunta: {str(e)}")
+
+if __name__ == "__main__":
+    main()

requirements.txt

@@ -0,0 +1,103 @@
+aiohappyeyeballs==2.4.4
+aiohttp==3.11.11
+aiosignal==1.3.2
+altair==5.5.0
+annotated-types==0.7.0
+anyio==4.7.0
+async-timeout==4.0.3
+attrs==24.3.0
+blinker==1.9.0
+cachetools==5.5.0
+certifi==2024.12.14
+charset-normalizer==3.4.1
+click==8.1.8
+dataclasses-json==0.6.7
+distro==1.9.0
+exceptiongroup==1.2.2
+faiss-cpu==1.9.0.post1
+filelock==3.16.1
+frozenlist==1.5.0
+fsspec==2024.12.0
+gitdb==4.0.12
+GitPython==3.1.44
+greenlet==3.1.1
+h11==0.14.0
+httpcore==1.0.7
+httpx==0.28.1
+httpx-sse==0.4.0
+huggingface-hub==0.27.0
+idna==3.10
+Jinja2==3.1.5
+jiter==0.8.2
+joblib==1.4.2
+jsonpatch==1.33
+jsonpointer==3.0.0
+jsonschema==4.23.0
+jsonschema-specifications==2024.10.1
+langchain==0.3.13
+langchain-community==0.3.13
+langchain-core==0.3.28
+langchain-huggingface==0.1.2
+langchain-text-splitters==0.3.4
+langsmith==0.2.7
+maritalk==0.2.6
+markdown-it-py==3.0.0
+MarkupSafe==3.0.2
+marshmallow==3.23.2
+mdurl==0.1.2
+mpmath==1.3.0
+multidict==6.1.0
+mypy-extensions==1.0.0
+narwhals==1.20.1
+networkx==3.4.2
+numpy==1.26.4
+openai==1.58.1
+orjson==3.10.13
+packaging==24.2
+pandas==2.2.3
+pillow==11.1.0
+propcache==0.2.1
+protobuf==5.29.2
+pyarrow==18.1.0
+pydantic==2.10.4
+pydantic-settings==2.7.1
+pydantic_core==2.27.2
+pydeck==0.9.1
+Pygments==2.18.0
+pypdf==5.1.0
+PyPDF2==3.0.1
+python-dateutil==2.9.0.post0
+python-dotenv==1.0.1
+pytz==2024.2
+PyYAML==6.0.2
+referencing==0.35.1
+regex==2024.11.6
+requests==2.32.3
+requests-toolbelt==1.0.0
+rich==13.9.4
+rpds-py==0.22.3
+safetensors==0.5.0
+scikit-learn==1.6.0
+scipy==1.14.1
+sentence-transformers==3.3.1
+six==1.17.0
+smmap==5.0.2
+sniffio==1.3.1
+SQLAlchemy==2.0.36
+streamlit==1.41.1
+sympy==1.13.3
+tenacity==9.0.0
+threadpoolctl==3.5.0
+tiktoken==0.7.0
+tokenizers==0.21.0
+toml==0.10.2
+torch==2.2.2
+tornado==6.4.2
+tqdm==4.67.1
+transformers==4.47.1
+typing-inspect==0.9.0
+typing_extensions==4.12.2
+tzdata==2024.2
+urllib3==2.3.0
+watchdog==6.0.0
+yarl==1.18.3