app.py

import gradio as gr
import torch
from sentence_transformers import SentenceTransformer, util
from transformers import T5ForConditionalGeneration, T5Tokenizer

# --- 1. Carregamento dos Modelos (faça isso apenas uma vez) ---

# Modelo para criar embeddings (vetores) a partir do texto
# 'all-MiniLM-L6-v2' é um modelo rápido e eficaz para essa tarefa.
print("Carregando o modelo de recuperação (Sentence Transformer)...")
retriever_model = SentenceTransformer('all-MiniLM-L6-v2')

# Modelo para gerar as respostas (um T5 do Hugging Face)
# 'google/flan-t5-base' é ótimo para tarefas de pergunta e resposta.
print("Carregando o modelo de geração (Flan-T5)...")
generator_tokenizer = T5Tokenizer.from_pretrained('google/flan-t5-base')
generator_model = T5ForConditionalGeneration.from_pretrained('google/flan-t5-base')
print("Modelos carregados com sucesso!")

# --- 2. Base de Conhecimento (Nosso "banco de dados" simples) ---
# Em um aplicativo real, isso viria de arquivos, um banco de dados, etc.

knowledge_base = [
    "A capital da França é Paris. A cidade é famosa pela Torre Eiffel e pelo Museu do Louvre.",
    "A fórmula química da água é H2O, composta por dois átomos de hidrogênio e um de oxigênio.",
    "Gradio é uma biblioteca de Python que permite criar interfaces de usuário para modelos de machine learning de forma rápida.",
    "O Sol é a estrela no centro do Sistema Solar. Mercúrio, Vênus, Terra, Marte, Júpiter, Saturno, Urano e Netuno são os planetas que o orbitam.",
    "Retrieval-Augmented Generation (RAG) é uma técnica que melhora os resultados de modelos de linguagem grandes ao acessar uma base de conhecimento externa."
]

# --- 3. Pré-processamento da Base de Conhecimento ---
# Convertendo nossos documentos em vetores numéricos (embeddings) para busca.
# Isso é feito apenas uma vez para otimizar a velocidade.
knowledge_base_embeddings = retriever_model.encode(knowledge_base, convert_to_tensor=True)


# --- 4. A Função Principal do RAG ---

def answer_question(question):
    """
    Esta função recebe uma pergunta, encontra o documento mais relevante na base de conhecimento
    e gera uma resposta baseada nesse documento.
    """
    # Etapa de Recuperação (Retrieval)
    # 1. Codificar a pergunta do usuário em um vetor.
    question_embedding = retriever_model.encode(question, convert_to_tensor=True)

    # 2. Calcular a similaridade de cosseno entre a pergunta e todos os documentos da base.
    # Isso nos diz qual documento é o mais "parecido" com a pergunta.
    cosine_scores = util.cos_sim(question_embedding, knowledge_base_embeddings)

    # 3. Encontrar o documento com a maior pontuação de similaridade.
    best_doc_index = torch.argmax(cosine_scores)
    retrieved_context = knowledge_base[best_doc_index]

    print(f"\n--- Nova Pergunta ---")
    print(f"Pergunta: {question}")
    print(f"Contexto Recuperado: {retrieved_context}")

    # Etapa de Geração (Generation)
    # 1. Criar um prompt combinando o contexto recuperado e a pergunta.
    # Este formato instrui o modelo T5 a usar o contexto para responder.
    prompt = f"""
    Contexto: {retrieved_context}

    Pergunta: {question}

    Com base apenas no contexto fornecido, responda à pergunta.
    Resposta:
    """

    # 2. Tokenizar o prompt para o modelo gerador.
    input_ids = generator_tokenizer(prompt, return_tensors="pt").input_ids

    # 3. Gerar a resposta usando o modelo.
    outputs = generator_model.generate(
        input_ids,
        max_length=100,      # Define um limite para o tamanho da resposta
        num_beams=5,         # Usa beam search para respostas de melhor qualidade
        early_stopping=True  # Para de gerar quando a frase está completa
    )

    # 4. Decodificar a resposta gerada para texto legível.
    answer = generator_tokenizer.decode(outputs[0], skip_special_tokens=True)

    return answer

# --- 5. Criação da Interface com Gradio ---

interface = gr.Interface(
    fn=answer_question,
    inputs=gr.Textbox(lines=2, placeholder="Faça sua pergunta aqui...", label="Pergunta"),
    outputs=gr.Textbox(label="Resposta Gerada pelo RAG"),
    title="🤖 App RAG Simples",
    description="Faça uma pergunta sobre os tópicos da nossa base de conhecimento: França, água, Gradio, o Sistema Solar ou RAG. O sistema encontrará o documento relevante e gerará uma resposta."
)

# --- 6. Lançamento do App ---
if __name__ == "__main__":
    interface.launch()