Update app.py

app.py

@@ -3,6 +3,28 @@ import pandas as pd
 import matplotlib.pyplot as plt
 import seaborn as sns
 from transformers import pipeline, AutoModelForCausalLM, AutoTokenizer
+import json
+import os
+
+# Arquivo para armazenar o contador
+COUNTER_FILE = "disc_usage_counter.json"
+
+# Função para gerenciar o contador
+def load_counter():
+    if os.path.exists(COUNTER_FILE):
+        with open(COUNTER_FILE, 'r') as f:
+            return json.load(f)
+    return {"total_uses": 0}
+
+def save_counter(counter):
+    with open(COUNTER_FILE, 'w') as f:
+        json.dump(counter, f)
+
+def increment_counter():
+    counter = load_counter()
+    counter["total_uses"] += 1
+    save_counter(counter)
+    return f"Total de avaliações realizadas: {counter['total_uses']}"
 
 # Configuração do modelo local
 def load_model():
@@ -16,7 +38,7 @@ def load_model():
     tokenizer = AutoTokenizer.from_pretrained(model_name)
     return pipeline('text-generation', model=model, tokenizer=tokenizer)
 
-# Questões DISC
+# Questões DISC (mantido igual...)
 perguntas = {
     'D': [
         "Eu sou direto e vou direto ao ponto",
@@ -44,6 +66,7 @@ perguntas = {
     ]
 }
 
+# Funções existentes mantidas iguais...
 def calcular_disc(respostas):
     resultados = {'D': 0, 'I': 0, 'S': 0, 'C': 0}
     
@@ -70,7 +93,6 @@ def criar_grafico(resultados):
     return plt
 
 def gerar_analise_llm(pipe, resultados, respostas_brutas):
-    # Prepara o prompt para o LLM
     prompt = f"""<s>[INST] Como um especialista em análise comportamental DISC, faça uma análise detalhada do seguinte perfil:
 
 Resultados percentuais:
@@ -82,7 +104,6 @@ Conformidade (C): {resultados['C']:.1f}%
 Respostas com pontuações mais altas:
 """
 
-    # Adiciona respostas com pontuações altas ao prompt
     for tipo, valor in respostas_brutas.items():
         if valor >= 4:
             dimensao = tipo[0]
@@ -99,7 +120,6 @@ Forneça:
 5. Ambientes de trabalho mais adequados
 [/INST]"""
 
-    # Gera a análise usando o modelo local
     resposta = pipe(
         prompt,
         max_new_tokens=1024,
@@ -108,38 +128,37 @@ Forneça:
         repetition_penalty=1.15
     )[0]['generated_text']
     
-    # Remove o prompt da resposta
-    analise = resposta.split("[/INST]")[1].strip()
-    
-    return analise
+    return resposta.split("[/INST]")[1].strip()
 
 class DiscAnalyzer:
     def __init__(self):
         self.pipe = load_model()
     
     def avaliar_disc(self, values):
-        # Converte os valores do slider para um dicionário
+        # Incrementa o contador
+        counter_text = increment_counter()
+        
+        # Processamento normal
         respostas = {}
         for i, (tipo, perguntas_tipo) in enumerate(perguntas.items()):
             for j, pergunta in enumerate(perguntas_tipo):
                 respostas[f"{tipo}{j+1}"] = values[i*4 + j]
         
-        # Calcula os resultados
         resultados = calcular_disc(respostas)
-        
-        # Cria o gráfico
         fig = criar_grafico(resultados)
-        
-        # Gera a análise detalhada
         analise = gerar_analise_llm(self.pipe, resultados, respostas)
         
-        return fig, analise
+        return fig, analise, counter_text
 
 # Interface Gradio
 analyzer = DiscAnalyzer()
 
 with gr.Blocks(title="Avaliação DISC com LLM Local") as app:
     gr.Markdown("# Avaliação de Perfil DISC com Análise Avançada")
+    
+    # Contador de uso
+    counter_text = gr.Markdown(load_counter()["total_uses"])
+    
     gr.Markdown("### Avalie cada afirmação em uma escala de 1 a 5")
     
     sliders = []
@@ -155,11 +174,12 @@ with gr.Blocks(title="Avaliação DISC com LLM Local") as app:
         plot = gr.Plot()
     
     analise = gr.Markdown(label="Análise Detalhada do Perfil")
+    uso = gr.Markdown(label="Contador de Uso")
     
     btn.click(
         fn=analyzer.avaliar_disc,
         inputs=sliders,
-        outputs=[plot, analise]
+        outputs=[plot, analise, uso]
     )
 
 if __name__ == "__main__":