# Guia de Integracao Langfuse

Este guia explica como o Langfuse esta integrado ao assistente e como utilizar suas funcionalidades de scoring e observabilidade.

## Indice

- [O que e Langfuse](#o-que-e-langfuse)
- [Configuracao Inicial](#configuracao-inicial)
- [Sistema de Scores](#sistema-de-scores)
- [Adicionando Novos Scores](#adicionando-novos-scores)
- [Visualizando Metricas](#visualizando-metricas)
- [Boas Praticas](#boas-praticas)

## O que e Langfuse

Langfuse e uma plataforma de observabilidade para aplicacoes LLM que permite:

- Rastrear todas as chamadas ao modelo
- Adicionar scores e metricas customizadas
- Analisar performance e custos
- Debugar conversas problematicas

## Configuracao Inicial

### 1. Credenciais

As credenciais do Langfuse sao armazenadas no AWS Secrets Manager:

```python
# Recuperando credenciais
from tools import secrets
import json

secrets_data = json.loads(secrets.get_secret())
public_key = secrets_data['api-langfuse-public']
secret_key = secrets_data['api-langfuse-secret']
```

### 2. Inicializacao do Cliente

```python
from langfuse import Langfuse
from langfuse.langchain import CallbackHandler

# Cliente principal para spans e scores
langfuse = Langfuse(
    public_key=public_key,
    secret_key=secret_key,
    host="http://SEU_HOST_LANGFUSE:3000"
)

# Callback handler para integracao automatica com LangChain
langfuse_handler = CallbackHandler()
```

### 3. Integracao com LangGraph

```python
# Adicionar o handler na configuracao do agente
config = {
    "configurable": {"thread_id": "abc123"},
    "callbacks": [langfuse_handler]
}

# Executar o agente
for step in agent_executor.stream({"messages": input_message}, config, stream_mode="values"):
    # processamento...
    pass

# IMPORTANTE: Flush para garantir envio dos dados
langfuse.flush()
```

## Sistema de Scores

### Scores Atuais

O sistema atual utiliza os seguintes scores:

| Score | Tipo | Descricao |
|-------|------|-----------|
| `Miss` | CATEGORICAL | Indica quando o agente nao encontrou a resposta |
| `Origem` | CATEGORICAL | Canal de origem da pergunta (web, app, etc.) |
| `Email` | CATEGORICAL | Email do usuario para rastreabilidade |

### Como os Scores sao Registrados

```python
# Score de "Miss" - quando nao encontra resposta
@tool
def out_of_scope_and_dont_know_answer():
    with langfuse.start_as_current_span(name="my-operation") as span:
        span.score_trace(
            name="Miss",
            value="True",
            data_type="CATEGORICAL"
        )
    return "Mensagem de resposta padrao..."

# Scores de metadados - origem e email
with langfuse.start_as_current_span(name="my-operation") as span:
    span.score_trace(
        name="Origem",
        value=origem,
        data_type="CATEGORICAL"
    )
    span.score_trace(
        name="Email",
        value=email,
        data_type="CATEGORICAL"
    )
```

## Adicionando Novos Scores

### Tipos de Score Disponiveis

1. **CATEGORICAL** - Para valores de categorias (string)
2. **NUMERIC** - Para valores numericos (int/float)
3. **BOOLEAN** - Para valores verdadeiro/falso

### Exemplos de Novos Scores

#### Score de Satisfacao do Usuario

```python
def add_user_satisfaction_score(span, satisfaction_rating):
    """
    Adiciona score de satisfacao do usuario (1-5)
    """
    span.score_trace(
        name="user_satisfaction",
        value=satisfaction_rating,
        data_type="NUMERIC"
    )
```

#### Score de Tempo de Resposta

```python
import time

def add_response_time_score(span, start_time):
    """
    Adiciona score de tempo de resposta em segundos
    """
    response_time = time.time() - start_time
    span.score_trace(
        name="response_time_seconds",
        value=response_time,
        data_type="NUMERIC"
    )
```

#### Score de Documentos Consultados

```python
def add_documents_used_score(span, num_documents):
    """
    Registra quantos documentos foram consultados
    """
    span.score_trace(
        name="documents_consulted",
        value=num_documents,
        data_type="NUMERIC"
    )
```

#### Score de Qualidade da Resposta

```python
def add_response_quality_score(span, quality_level):
    """
    Classifica qualidade da resposta
    Valores: "excellent", "good", "fair", "poor"
    """
    span.score_trace(
        name="response_quality",
        value=quality_level,
        data_type="CATEGORICAL"
    )
```

#### Score de Feedback Explicito

```python
def add_feedback_score(span, was_helpful):
    """
    Registra se o usuario achou a resposta util
    """
    span.score_trace(
        name="user_found_helpful",
        value="True" if was_helpful else "False",
        data_type="CATEGORICAL"
    )
```

### Implementacao Completa de Scoring

```python
class LangfuseScorer:
    """
    Classe utilitaria para gerenciar scores do Langfuse
    """

    def __init__(self, langfuse_client):
        self.langfuse = langfuse_client

    def score_interaction(self, span, metrics: dict):
        """
        Adiciona multiplos scores de uma vez

        Args:
            span: Span atual do Langfuse
            metrics: Dicionario com metricas
                {
                    "origem": "web",
                    "email": "user@example.com",
                    "response_time": 2.5,
                    "documents_used": 3,
                    "found_answer": True
                }
        """
        # Scores categoricos
        if "origem" in metrics:
            span.score_trace(name="Origem", value=metrics["origem"], data_type="CATEGORICAL")

        if "email" in metrics:
            span.score_trace(name="Email", value=metrics["email"], data_type="CATEGORICAL")

        # Scores numericos
        if "response_time" in metrics:
            span.score_trace(name="response_time", value=metrics["response_time"], data_type="NUMERIC")

        if "documents_used" in metrics:
            span.score_trace(name="documents_used", value=metrics["documents_used"], data_type="NUMERIC")

        # Scores booleanos (como categoricos)
        if "found_answer" in metrics:
            span.score_trace(
                name="found_answer",
                value="True" if metrics["found_answer"] else "False",
                data_type="CATEGORICAL"
            )
```

## Visualizando Metricas

### Acessando o Dashboard

1. Acesse a interface web do Langfuse: `http://SEU_HOST:3000`
2. Navegue ate "Traces" para ver todas as execucoes
3. Use filtros por score para analises especificas

### Queries Uteis

#### Encontrar conversas sem resposta
- Filtrar por: `score.Miss = "True"`

#### Analise por canal de origem
- Agrupar por: `score.Origem`

#### Metricas de performance
- Ordenar por: `score.response_time`

## Boas Praticas

### 1. Sempre fazer Flush

```python
# No final de cada execucao
langfuse.flush()
```

### 2. Usar Nomes Consistentes

```python
# BOM - nomes consistentes e descritivos
span.score_trace(name="user_satisfaction", value=5, data_type="NUMERIC")
span.score_trace(name="response_quality", value="good", data_type="CATEGORICAL")

# EVITAR - nomes inconsistentes
span.score_trace(name="sat", value=5, data_type="NUMERIC")
span.score_trace(name="Quality", value="good", data_type="CATEGORICAL")
```

### 3. Documentar Valores Possiveis

Para scores CATEGORICAL, documente os valores possiveis:

```python
# response_quality: "excellent" | "good" | "fair" | "poor"
# user_type: "vendor" | "subvendor" | "supervendor" | "support"
# channel: "web" | "api" | "whatsapp" | "slack"
```

### 4. Tratar Erros

```python
try:
    with langfuse.start_as_current_span(name="operation") as span:
        span.score_trace(name="metric", value=value, data_type="CATEGORICAL")
except Exception as e:
    print(f"Erro ao registrar score: {e}")
    # Continua execucao sem falhar
```

### 5. Nao Bloquear por Metricas

```python
# Scores nao devem impactar a resposta ao usuario
# Se o Langfuse falhar, a conversa deve continuar
```

## Referencias

- [Documentacao Oficial Langfuse](https://langfuse.com/docs)
- [Langfuse Python SDK](https://langfuse.com/docs/sdk/python)
- [Integracao LangChain](https://langfuse.com/docs/integrations/langchain)