Feat: adds front and infra

agent/agent.py

@@ -18,6 +18,8 @@ from typing import Union
 from langchain_core.agents import AgentAction, AgentFinish
 from langchain.agents.output_parsers import ReActSingleInputOutputParser
 from langchain.tools import Tool
+from langgraph.checkpoint.memory import MemorySaver
+from langgraph.prebuilt import create_react_agent
 import os
 
 def find_tool_by_name(tools: list[Tool],tool_name:str):
@@ -27,15 +29,14 @@ def find_tool_by_name(tools: list[Tool],tool_name:str):
             print("\n\n")
             return tool
     raise ValueError(f"Tool with name {tool_name} not found")
-def agent_call(event,context):
-
+def hello(event,context):
     llm = ChatBedrock(
-    model_id="arn:aws:bedrock:us-east-1:654654422992:application-inference-profile/d9blf0g3fzqz",
+    model_id="arn:aws:bedrock:us-east-1:654654422992:application-inference-profile/glvyppv11ds5",
     region_name="us-east-1",
-    aws_access_key_id=os.environ["AWS_ACCESS_KEY_ID"],
-    aws_secret_access_key=os.environ["AWS_SECRET_ACCESS_KEY"],
-    aws_session_token=os.environ["AWS_SESSION_TOKEN"],
-    model_kwargs={"temperature": 0, 'max_tokens': 1000,},
+    #aws_access_key_id=os.environ["AWS_ACCESS_KEY_ID"],
+    #aws_secret_access_key=os.environ["AWS_SECRET_ACCESS_KEY"],
+    #aws_session_token=os.environ["AWS_SESSION_TOKEN"],
+    model_kwargs={"temperature": 0.1, 'max_tokens': 1000,},
     provider='anthropic'
 )
     retriever = AmazonKnowledgeBasesRetriever(
@@ -44,55 +45,22 @@ def agent_call(event,context):
     retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
 
 )
-
-# Cria o retrieval chain
-    retrievertool=retriever.as_tool()
-    retrievertool.description="Baseando se numa query retorna trechos de editais de campus diferentes do instituto são paulo"
-    tools=[retrievertool]
-    template="""Você é um assistente para alunos de diversos campus diferentes do instituto federal de são paulo, sua função é responder perguntas 
-    de forma mais eficiente possivel sobre editais, que pode ser acessados pela tool fornecida:
-
-{tools}
-
-Note que dependendo do Campus os editais são diferentes, então é mandatório saber o campus do aluno antes de devolver alguma informação.
+    memory = MemorySaver()
+    model = llm
+    tools = [retriever.as_tool()]
+    prompt="""Você é um assistente para alunos de diversos campus diferentes do instituto federal de são paulo, sua função é responder perguntas de forma mais eficiente possivel sobre editais, que pode ser acessados pela tool fornecida. 
+        Note que dependendo do Campus os editais são diferentes, então é mandatório saber o campus do aluno antes de devolver alguma informação.
 Além disso existem editais válidos apenas para alunos do ensino médio, apaenas para ensino superior e para ambos.
 O edital difere também se o aluno já recebe algum auxílio ou é o primeiro. Obtenha a informação do edital mais recente que cumpra as condições.
-Além disso leve em consideração o chat history fornecido. Responda baseando-se exclusivamente nos documentos retornados pela tool amazonknowledgebase retriever. Não crie informações de editais.
-Use the following format:
-
-Question: the input question you must answer
-Thought: you should always think about what to do and take your previous thougths into consideration
-Action: the action to take, should be one of [{tool_names}]
-Action Input: the input to the action
-Observation: the result of the action
-... (this Thought/Action/Action Input/Observation can repeat N times)
-Thought: I now know the final answer
-Final Answer: the final answer to the original input question
-
-Begin!
-Question: {input}
-Chat history:{chat_history}
-Thought: {agent_scratchpad}
-"""
-    prompt=PromptTemplate.from_template(template=template).partial(tools=render_text_description(tools), tool_names=','.join([t.name for t in tools]))
-    #llm=ChatOpenAI(model="gpt-4o-mini",temperature=0,stop_sequences=["\nObservation:"])
-    intermediate_steps=[]
-
-    agent= {"input": lambda x:x["input"],"agent_scratchpad": lambda x:format_log_to_str(x["agent_scratchpad"]),"chat_history":lambda x:x["chat_history"]}|prompt | llm
-    agent_step: Union[AgentAction,AgentFinish]=agent.invoke({"input": "Quanto é o valor do auxilio moradia?","agent_scratchpad":intermediate_steps,"chat_history":{"role":"user","content":"sou do campus sao paulo, ensino superior e não recebo auxílio ainda, estamos no primeiro semestre de 2025"}})
-    #print(agent_step)
-    if isinstance(agent_step,AgentAction):
-        tool_name=agent_step.tool
-        tool_to_use=find_tool_by_name(tools,tool_name)
-        tool_input=agent_step.tool_input
-        observation=tool_to_use.func(str(tool_input))
-        print(f"{observation=}")
-        intermediate_steps.append((agent_step,str(observation)))
-    agent_step: Union[AgentAction,AgentFinish]=agent.invoke({"input": "Quanto é o valor do auxilio moradia?","agent_scratchpad":intermediate_steps,"chat_history":{"role":"user","content":"sou do campus sao paulo, ensino superior e não recebo auxílio ainda, estamos no primeiro semestre de 2025"}})
-    return agent_step
-def hello(event,context):
-    return{
-        "statusCode":200,
-        "body":json.dumps("hello_world")
-    }
-print(agent_call("",""))
+Além disso leve em consideração o chat history fornecido.  Não crie informações de editais, apenas faça perguntas para o contexto e busque dos editais quando estiver com informações suficientes. Retorne o titulo do documento consultado, não o nome do arquivo. 
+Documentos com a sigla MTO são do campus matão. Documentos com a sigla SPO são do campus são paulo. É imperativo não obeter documentos de outros campus que não sejam o solicitado, não use informações deles. Os valores, se estiverem em formato de tabela, se encontrarão após o tipo da modaldie (moradia,transporte e etc), nunca antes. Não é nescessário buscar informações dos editais se uma dúvida não for apresentada ou se houver uma informação importante faltando.
+Use sempre os documentos mais recentes, atualmente estamos no segundo semestre de 2025.
+Caso seja mencionado que um dos pais não é registrado isso significa que é trabalhador informal."""
+    agent_executor = create_react_agent(model, tools, checkpointer=memory, prompt=prompt)
+    config = {"configurable": {"thread_id": "abc123"}}
+    input_message = event["message"]
+    #input_message=[{"role":"user","content":"aluno superior, nunca recebi auxilio, campus são paulo, Meu pai não é registrado, como faço para ganhar auxilio?"}]
+    response=""
+    for step in agent_executor.stream({"messages": input_message}, config, stream_mode="values"):
+        response={"json":(step["messages"][-1].text())}
+    return (response)