import os import logging from flask import Flask, render_template, request, jsonify, redirect, url_for, flash, session from werkzeug.utils import secure_filename # --- Configuração do Log de Depuração --- # Caminho completo para o arquivo de log para garantir que ele seja criado no lugar certo log_file_path = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'debug.log') logging.basicConfig(filename=log_file_path, level=logging.INFO, format='%(asctime)s %(levelname)s %(name)s %(threadName)s : %(message)s') try: logging.info("--- INICIANDO APLICAÇÃO ---") # --- Importações do LangChain (movidas para dentro do try para capturar erros de importação) --- from dotenv import load_dotenv from langchain import hub from langchain_chroma import Chroma from langchain_community.document_loaders import PyPDFLoader from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain_text_splitters import RecursiveCharacterTextSplitter logging.info("Importações do LangChain bem-sucedidas.") # Carrega variáveis de ambiente load_dotenv() logging.info("load_dotenv() chamado.") # --- Configuração da Aplicação Flask --- app = Flask(__name__) app.secret_key = os.urandom(24) logging.info("Aplicação Flask criada.") # --- Configuração de Pastas --- UPLOAD_FOLDER = 'uploads' VECTOR_STORE_PATH = 'vector_store' ALLOWED_EXTENSIONS = {'pdf', 'txt', 'doc', 'docx'} app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER os.makedirs(UPLOAD_FOLDER, exist_ok=True) os.makedirs(VECTOR_STORE_PATH, exist_ok=True) logging.info("Pastas configuradas.") # --- Configuração do LangChain (Global) --- openai_api_key = os.getenv('OPENAI_API_KEY') if not openai_api_key: logging.error("ERRO CRÍTICO: Variável de ambiente OPENAI_API_KEY não encontrada!") raise ValueError("OPENAI_API_KEY não configurada.") os.environ["OPENAI_API_KEY"] = openai_api_key logging.info("Chave da API da OpenAI carregada.") model = ChatOpenAI(model='gpt-4') embedding = OpenAIEmbeddings() text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) prompt = hub.pull('rlm/rag-prompt') logging.info("Componentes do LangChain inicializados.") rag_chain = None def allowed_file(filename): return '.' in filename and filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS def initialize_rag_chain(): global rag_chain logging.info("Iniciando initialize_rag_chain().") loaded_documents = [] upload_dir = app.config['UPLOAD_FOLDER'] if not os.path.isdir(upload_dir): logging.error(f"Diretório de uploads '{upload_dir}' não encontrado.") return files_in_upload = os.listdir(upload_dir) logging.info(f"Arquivos encontrados em '{upload_dir}': {files_in_upload}") for filename in files_in_upload: if allowed_file(filename): file_path = os.path.join(upload_dir, filename) logging.info(f"Processando arquivo: {file_path}") if filename.endswith('.pdf'): loader = PyPDFLoader(file_path) loaded_documents.extend(loader.load()) if not loaded_documents: logging.warning("Nenhum documento encontrado para processar. RAG chain não será criado.") return logging.info(f"{len(loaded_documents)} documentos carregados.") chunks = text_splitter.split_documents(documents=loaded_documents) logging.info(f"{len(chunks)} chunks criados.") vector_store = Chroma.from_documents( documents=chunks, embedding=embedding, persist_directory=VECTOR_STORE_PATH ) logging.info("Vector Store criado/carregado.") retriever = vector_store.as_retriever() rag_chain = ( {'context': retriever, 'question': RunnablePassthrough()} | prompt | model | StrOutputParser() ) logging.info("RAG Chain inicializado com sucesso!") # --- Rotas da Aplicação --- @app.route('/') def index(): if 'chat_history' not in session: session['chat_history'] = [{'sender': 'assessor', 'message': 'Olá! Como posso te ajudar hoje?'}] return render_template('index.html', chat_history=session['chat_history']) # ... (o resto das suas rotas continua aqui, sem alterações) @app.route('/ask', methods=['POST']) def ask(): if not rag_chain: return jsonify({'answer': 'Desculpe, a base de conhecimento ainda não foi inicializada. Por favor, adicione um documento.'}) user_question = request.json.get('question') if not user_question: return jsonify({'error': 'Nenhuma pergunta fornecida.'}), 400 session['chat_history'].append({'sender': 'user', 'message': user_question}) response = rag_chain.invoke(user_question) session['chat_history'].append({'sender': 'assessor', 'message': response}) session.modified = True return jsonify({'answer': response}) @app.route('/knowledge_base') def knowledge_base(): files = os.listdir(app.config['UPLOAD_FOLDER']) return render_template('knowledge_base.html', files=files) @app.route('/upload', methods=['POST']) def upload_file(): if 'file' not in request.files: flash('Nenhum arquivo selecionado') return redirect(url_for('knowledge_base')) file = request.files['file'] if file.filename == '': flash('Nenhum arquivo selecionado') return redirect(url_for('knowledge_base')) if file and allowed_file(file.filename): filename = secure_filename(file.filename) file_path = os.path.join(app.config['UPLOAD_FOLDER'], filename) file.save(file_path) flash(f'Arquivo "{filename}" enviado com sucesso! Re-processando a base de conhecimento...') initialize_rag_chain() return redirect(url_for('knowledge_base')) else: flash('Tipo de arquivo não permitido.') return redirect(url_for('knowledge_base')) # --- Inicialização --- logging.info("Definição das rotas concluída. Chamando initialize_rag_chain() pela primeira vez.") initialize_rag_chain() logging.info("Aplicação pronta para ser executada.") except Exception as e: # --- CAPTURA DE ERRO CRÍTICO --- # Se qualquer coisa acima falhar, este bloco será executado logging.exception("Uma exceção não tratada ocorreu durante a inicialização da aplicação!") # Criamos uma aplicação Flask mínima apenas para responder com o erro app = Flask(__name__) @app.route('/', defaults={'path': ''}) @app.route('/') def catch_all(path): error_message = f"Erro crítico na inicialização da aplicação. Verifique o arquivo debug.log. Erro: {e}" return error_message, 500