Update app.py

app.py

@@ -4,92 +4,75 @@ import dotenv
 import streamlit as st
 from transformers import AutoTokenizer
 
-dotenv.load_dotenv()
-token = os.environ['TOKEN_HF']
-headers = {'Authorization': f'Bearer {token}'}
+# Função para carregar as configurações iniciais
+def carregar_configuracoes():
+    dotenv.load_dotenv()
+    return os.environ['TOKEN_HF']
 
-modelos = {
-    'meta-llama/Meta-Llama-3.1-8B-Instruct': '<|end_header_id|>\n',
-    'mistralai/Mixtral-8x7B-Instruct-v0.1': '[/INST]'
-}
+# Função para inicializar o modelo e o tokenizador
+def inicializar_modelo_e_tokenizador(modelo, token):
+    tokenizer = AutoTokenizer.from_pretrained(modelo, token=token)
+    return tokenizer
 
-ofertas = ['Atualização', 'Quitação', 'Renegociação']
-opcoes_classificacao = ["Segunda via de boleto", "Conhecer as ofertas", "Renegociação", "Atualização", "Quitação"]
+# Função para configurar a sessão do usuário
+def configurar_sessao(modelo):
+    if 'modelo_atual' not in st.session_state or st.session_state['modelo_atual'] != modelo:
+        st.session_state['modelo_atual'] = modelo
+        st.session_state['mensagens'] = [
+            {"role": "system", "content": "Você é um assistente de investimentos inteligente, treinado para ajudar os usuários a gerenciar e otimizar seus portfólios financeiros."
+                                          "Seu objetivo é fornecer análises de mercado, sugestões de investimentos personalizadas e educar os usuários sobre estratégias financeiras."
+                                          "Você pode responder a perguntas sobre ações, fundos, criptomoedas, imóveis e outros tipos de investimentos."
+                                          "Além disso, você oferece insights sobre tendências de mercado e ajuda os usuários a tomar decisões informadas com base no perfil de risco deles."},
+            {"role": "assistant", "content": "Olá, seja bem vindo ao assistente financeiro, como posso te ajudar?"}
+        ]
 
-
-modelo = st.selectbox('Selecione um modelo:', options=modelos)
-token_modelo = modelos[modelo]
-
-if ('modelo_atual' not in st.session_state or st.session_state['modelo_atual'] != modelo):
-    st.session_state['modelo_atual'] = modelo
-    st.session_state['mensagens'] = [ {"role": "system", "content": "Você é um atendente de central de atendimento de negociação de dívidas. "
-                                                                    "Você é empático e gostaria sempre de entender a situação do cliente, como o que o levou a ficar em dívida. Seja sucinto nas suas respostas."},]
- 
-nome_modelo = st.session_state['modelo_atual'] 
-tokenizer = AutoTokenizer.from_pretrained(nome_modelo, token=token)
-url = f'https://api-inference.huggingface.co/models/{nome_modelo}' 
-url_classificacao = f'https://api-inference.huggingface.co/models/facebook/bart-large-mnli' 
-mensagens = st.session_state['mensagens'] 
-
-area_chat = st.empty()
-pergunta_usuario = st.chat_input('Faça sua pergunta aqui: ')
-if pergunta_usuario:
+# Função para classificar a entrada do usuário
+def classificar_entrada(pergunta_usuario, opcoes_classificacao, headers, url_classificacao, limite_score=70):
     payload = {
         "inputs": pergunta_usuario,
         "parameters": {
             "candidate_labels": opcoes_classificacao
         }
     }
-
     response = requests.post(url_classificacao, headers=headers, json=payload)
-    # Verifique a resposta
+    
     if response.status_code == 200:
         result = response.json()
         score = result['scores'][0] * 100
         label = result['labels'][0]
-        if score > 70:
-            print(label)
-            print(score)
-            if label == ofertas[1]:
-                novo_pront = (
-                                "Você deve fornecer as seguintes informações.\n"
-                                "- Relizamos o fechamento da sua quitação \n"
-                                "- Valor total do contrato de R$ 6.000,00 foi fechado\n"
-                                "- Foi enviado um email para '[email protected]' com mais detalhes"
-                )
-            else:
-                novo_pront = (
-                        "Você deve fornecer as seguintes informações.\n"
-                        "- Valor total do contrato: R$ 6.000,00\n"
-                        "- Valor em aberto: R$ 2.000 \n"
-                        "Ofertas disponíveis:\n"
-                        "1 - Renegociação de dívida:\n"
-                        "* Prazo de pagamento: 10 meses\n"
-                        "* Valor mensal: R$ 590,00\n"
-                        "* Desconto total: R$ 100,00\n"
-                        "2 - Atualização de dívida atrasada:\n"
-                        "* Prazo de pagamento: 1 parcela\n"
-                        "* Valor a pagar: R$ 1.500,00\n"
-                        "* Desconto total: R$ 500,00\n"
-                        "* E continua pagando as parcelas do contrato \n"
-                        "3 - Quitação de dívida:\n"
-                        "- Prazo de pagamento: 1 vez\n"
-                        "- Valor a pagar: R$ 5.000,00\n"
-                        "- Desconto total: R$ 1.000,00\n"
-                )
-
-            print(novo_pront)
-
-            mensagens.append({"role": "system", "content": novo_pront})                
+        
+        if score > limite_score:
+            return label, score
         else:
-            print(f'Não atingiu mais que 70%. score maximo {score:.2f}% para "{label}"')
+            print(f'Não atingiu mais que {limite_score}%. Score máximo {score:.2f}% para "{label}"')
+            return None, score
     else:
-        print(f"Error Classificação: {response.status_code}")
+        print(f"Erro na Classificação: {response.status_code}")
         print(response.json())
+        return None, None
 
+# Função para gerar uma resposta com base na classificação
+def gerar_resposta(label, opcoes_classificacao):
+    if label == opcoes_classificacao[0]:
+        novo_pront = (
+            "Extrato de investimentos.\n"
+			"- Você possui os seguintes investimentos: \n"
+			"- Valor em ações: 3.800,00 \n"
+			"- Valor em Criptomoedas: 10.200,00 \n"
+        )
+    else:
+        novo_pront = (
+            "Esse é o saldo atual do cliente na carteira.\n"
+			"- Você possui um saldo de: \n"
+			"- CC: 5.000,00 \n"
+			"- CP: 3.200 \n"
+        )
+    
+    print(novo_pront)
+    return novo_pront
 
-
-    mensagens.append({'role': 'user', 'content': pergunta_usuario})
+# Função para processar a conversa e exibir no Streamlit
+def processar_conversa(pergunta_usuario, url, headers, tokenizer, mensagens, token_modelo):
     template = tokenizer.apply_chat_template(mensagens, tokenize=False, add_generation_prompt=True)
     json = {
         'inputs': template,
@@ -100,9 +83,51 @@ if pergunta_usuario:
     print(response)
     mensagem_chatbot = response[0]['generated_text'].split(token_modelo)[-1]
     mensagens.append({'role': 'assistant', 'content': mensagem_chatbot})
+    return mensagens
+
+# Função para exibir as mensagens no chat
+def exibir_mensagens(area_chat, mensagens):
+    with area_chat.container():
+        for mensagem in mensagens:
+            if mensagem['role'] != 'system':  # Filtra as mensagens do tipo 'system'
+                chat = st.chat_message(mensagem['role'])
+                chat.code(mensagem['content'])
+
+# Função principal que orquestra as chamadas
+def main():
+    token = carregar_configuracoes()
+    headers = {'Authorization': f'Bearer {token}'}
+    
+    opcoes_classificacao =  ["Valor investido", "saldo atual"]
+    modelo = 'meta-llama/Meta-Llama-3.1-8B-Instruct'
+    token_modelo = '<|end_header_id|>\n'  # Adicionando a variável token_modelo
+    
+    configurar_sessao(modelo)
+    
+    nome_modelo = st.session_state['modelo_atual'] 
+    tokenizer = inicializar_modelo_e_tokenizador(nome_modelo, token)
+    url = f'https://api-inference.huggingface.co/models/{nome_modelo}' 
+    url_classificacao = f'https://api-inference.huggingface.co/models/facebook/bart-large-mnli'
+    
+    mensagens = st.session_state['mensagens']
+    area_chat = st.empty()
+    exibir_mensagens(area_chat, mensagens)  # Exibe as mensagens iniciais, incluindo a mensagem de boas-vindas
+    
+    pergunta_usuario = st.chat_input('Faça sua pergunta aqui: ')
+    
+    if pergunta_usuario:
+        label, score = classificar_entrada(pergunta_usuario, opcoes_classificacao, headers, url_classificacao)
+        
+        if label:
+            novo_pront = gerar_resposta(label, opcoes_classificacao)
+            mensagens.append({"role": "system", "content": novo_pront})
+        
+        mensagens.append({'role': 'user', 'content': pergunta_usuario})
+        mensagens = processar_conversa(pergunta_usuario, url, headers, tokenizer, mensagens, token_modelo)
+        exibir_mensagens(area_chat, mensagens)
+    
+    print(mensagens)
 
-with area_chat.container():
-    for mensagem in mensagens:
-        chat = st.chat_message(mensagem['role'])
-        chat.markdown(mensagem['content'])
-print(mensagens)        
+# Executa a função principal
+if __name__ == "__main__":
+    main()