Feat: New prompt

agent/agent.py

@@ -7,6 +7,8 @@ from langchain_core.tools import render_text_description
 from langchain.chains import create_history_aware_retriever
 from langchain.chains.combine_documents import create_stuff_documents_chain
 import langchain.chains
+from langchain.chains import create_history_aware_retriever
+from langchain.chains.combine_documents import create_stuff_documents_chain
 from langchain.agents.format_scratchpad import format_log_to_str
 from langchain.chains import create_retrieval_chain
 from langchain_aws import ChatBedrock
@@ -17,6 +19,7 @@ from langchain_core.agents import AgentAction, AgentFinish
 from langchain.agents.output_parsers import ReActSingleInputOutputParser
 from langchain.tools import Tool
 import os
+
 def find_tool_by_name(tools: list[Tool],tool_name:str):
     for tool in tools:
         if tool.name==tool_name:
@@ -25,13 +28,14 @@ def find_tool_by_name(tools: list[Tool],tool_name:str):
             return tool
     raise ValueError(f"Tool with name {tool_name} not found")
 def agent_call(event,context):
+
     llm = ChatBedrock(
     model_id="arn:aws:bedrock:us-east-1:654654422992:application-inference-profile/d9blf0g3fzqz",
     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": 0.2, 'max_tokens': 1000,},
+    model_kwargs={"temperature": 0, 'max_tokens': 1000,},
     provider='anthropic'
 )
     retriever = AmazonKnowledgeBasesRetriever(
@@ -40,15 +44,20 @@ def agent_call(event,context):
     retrieval_config={"vectorSearchConfiguration": {"numberOfResults": 4}},
 
 )
-    print("Hello React Langhain")
+
-    tools=[retriever.as_tool()]
+# 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.
-Além disso leve em consideração o chat history fornecido.
+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
@@ -69,8 +78,8 @@ Thought: {agent_scratchpad}
     #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|ReActJsonSingleInputOutputParser()
+    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": "Que dia é hoje?","agent_scratchpad":intermediate_steps,"chat_history":{"role":"user","content":"sou do campus sao paulo"}})
+    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
@@ -79,10 +88,11 @@ Thought: {agent_scratchpad}
         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"}})
+    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("",""))