import openai import json import numpy as np import os from django.conf import settings from django.contrib.auth.decorators import login_required from collections import OrderedDict from .respostas_rapidas import respostas_prontas, resposta_treinamento_aplicativo from .resposta_coeficientes import resposta_coeficiente_parede from .fabiano_prompts import ( system_educacional_carga_termica, system_cadastro_projeto, system_cadastro_ambiente, system_lista_ambiente, system_biblioteca, system_relatorios, system_termo_referencia, system_geral ) EMBEDDINGS_PATH = "/var/www/html/cag/projeto/fabiano_embeddings.json" EMBEDDINGS_RAPIDAS_PATH = "/var/www/html/cag/projeto/respostas_prontas_embeddings.json" # Novo cliente OpenAI client = openai.OpenAI(api_key=settings.OPENAI_API_KEY) # Dicionário com contextos e palavras-chave associadas keywords_map = OrderedDict({ "system_cadastro_ambiente": [ "cadastrar ambiente", "quero cadastrar um ambiente", "como cadastrar um ambiente", "novo ambiente", "criar ambiente", "formulário de ambiente", "adicionar ambiente", "inserir ambiente", "ambiente novo", "preencher ambiente" ], "system_cadastro_projeto": [ "cadastrar projeto", "quero cadastrar um projeto", "como cadastrar um projeto", "novo projeto", "criar projeto", "inserir projeto", "nome do projeto", "cidade do projeto", "coordenadas do projeto", "abrir projeto", "adicionar projeto" ], "system_termo_referencia": [ "termo de referência", "termo de referencia", "licitação", "lei 8.666", "compras públicas", "documento para compra", "documento oficial", "justificativa técnica", "projeto para edital" ], "system_relatorios": [ "relatório", "relatorios", "gráfico", "gráficos", "resultado final", "exportar docx", "documentação", "tabela de dados", "resultados do cálculo", "relatório técnico", "arquivo docx" ], "system_lista_ambiente": [ "lista de ambientes", "visualizar ambientes", "ver ambientes", "resultados do ambiente", "mostrar ambientes", "relatório do ambiente", "ambientes cadastrados", "dados do ambiente" ], "system_biblioteca": [ "coeficiente", "coeficientes", "biblioteca", "valores térmicos", "resistência térmica", "material de construção", "tabela de valores", "isolamento", "potência térmica", "dissipação de calor", "tabela coeficiente", "qual coeficiente", "coeficiente u", "u-value", "valor térmico", "coeficiente térmico", "dissipação de calor", "potência térmica", "biblioteca", "resistência térmica", "valores térmicos" ], }) # Dicionário de mapeamento para os prompts reais prompts_dict = { "system_educacional_carga_termica": system_educacional_carga_termica, "system_cadastro_projeto": system_cadastro_projeto, "system_cadastro_ambiente": system_cadastro_ambiente, "system_lista_ambiente": system_lista_ambiente, "system_biblioteca": system_biblioteca, "system_relatorios": system_relatorios, "system_termo_referencia": system_termo_referencia, } # Carrega os embeddings with open(EMBEDDINGS_PATH) as f: system_embeddings = json.load(f) with open(EMBEDDINGS_RAPIDAS_PATH) as f: respostas_rapidas_embeddings = json.load(f) # Gera vetor da pergunta # Resposta direta para a pergunta-chave de treinamento from difflib import SequenceMatcher def resposta_fixa_se_houver(texto): texto_normalizado = texto.lower().strip() # Verificação direta da pergunta-chave if "treinamento" in texto_normalizado and "aplicativo" in texto_normalizado: return resposta_treinamento_aplicativo # Verificação por similaridade textual com outras respostas prontas melhor_chave = None maior_similaridade = 0.0 for chave in respostas_prontas.keys(): sim = SequenceMatcher(None, texto_normalizado, chave).ratio() if sim > maior_similaridade: melhor_chave = chave maior_similaridade = sim if maior_similaridade > 0.75: return respostas_prontas[melhor_chave] return None def gerar_embedding(texto): response = client.embeddings.create( input=texto, model="text-embedding-ada-002" ) return np.array(response.data[0].embedding) # Busca a resposta pronta mais similar def buscar_resposta_rapida(texto): pergunta_vec = gerar_embedding(texto) similaridades = {} for pergunta, emb in respostas_rapidas_embeddings.items(): emb_vec = np.array(emb) sim = np.dot(pergunta_vec, emb_vec) / (np.linalg.norm(pergunta_vec) * np.linalg.norm(emb_vec)) similaridades[pergunta] = sim melhor = max(similaridades, key=similaridades.get) if similaridades[melhor] > 0.85: return respostas_prontas.get(melhor) return None # Detecta o contexto com base nas últimas mensagens def detectar_contexto(historico_mensagens): if len(historico_mensagens) >= 2: pergunta_composta = historico_mensagens[-2]["content"] + " " + historico_mensagens[-1]["content"] else: pergunta_composta = historico_mensagens[-1]["content"] pergunta_vec = gerar_embedding(pergunta_composta) similaridades = {} for nome, emb in system_embeddings.items(): emb_vec = np.array(emb) sim = np.dot(pergunta_vec, emb_vec) / (np.linalg.norm(pergunta_vec) * np.linalg.norm(emb_vec)) similaridades[nome] = sim melhor = max(similaridades, key=similaridades.get) return prompts_dict.get(melhor, system_geral) # View principal @login_required def responder_pergunta_termo_ia(request, historico_mensagens): user_mensagem = historico_mensagens[-1]["content"] resposta_pronta = buscar_resposta_rapida(user_mensagem) if resposta_pronta: return resposta_pronta system_prompt = detectar_contexto(historico_mensagens) mensagens = [system_prompt, historico_mensagens[-1]] response = client.chat.completions.create( model="gpt-3.5-turbo", messages=mensagens, temperature=0.3 ) return response.choices[0].message.content # def executar_acao_projeto(usuario, texto): # """ # Analisa o texto enviado pelo usuário e, se a intenção for cadastrar um projeto, # extrai os dados e chama a função criar_projeto_por_ia(). # """ # import re # from projeto.models import Projeto # from .views import criar_projeto_por_ia # lazy import evita import circular # # Lista de palavras-chave para identificar a intenção # palavras_chave = [ # "cadastrar projeto", "criar projeto", "novo projeto", # "projeto chamado", "projeto nomeado", "nome do projeto" # ] # if not any(p in texto.lower() for p in palavras_chave): # return None # Não parece ser uma ação de cadastro de projeto # # Extrair nome do projeto (ex: "cadastrar projeto chamado Biblioteca Central") # nome_match = re.search(r"projeto (?:chamado|nomeado|de nome)?\s*([A-ZÁÉÍÓÚÃÕÂÊÎÔÛ][\w\s\-]+)", texto, re.IGNORECASE) # # Extrair cidade (ex: "em Belo Horizonte", "cidade Salvador") # cidade_match = re.search(r"(?:cidade|em|localizado em)\s+([A-ZÁÉÍÓÚÃÕÂÊÎÔÛ][\w\s\-]+)", texto, re.IGNORECASE) # nome_projeto = nome_match.group(1).strip() if nome_match else None # cidade = cidade_match.group(1).strip() if cidade_match else None # # Respostas guiadas para fluxos incompletos # if not nome_projeto and not cidade: # return "Por favor, informe o nome do projeto e a cidade." # elif not nome_projeto: # return "Qual o nome do projeto que você deseja cadastrar?" # elif not cidade: # return f"Certo, o nome do projeto é '{nome_projeto}'. Agora, em qual cidade ele está localizado?" # # Verifica se já existe # if Projeto.objects.filter(nome_projeto__iexact=nome_projeto, cidade__iexact=cidade, tenant=usuario.tenant).exists(): # return f"Já existe um projeto chamado '{nome_projeto}' em '{cidade}' no seu tenant." # # Criação via função já existente # projeto, msg = criar_projeto_por_ia(usuario, nome_projeto, cidade) # return msg or "Projeto criado com sucesso!"