Este projeto implementa um agente de chat interativo para fornecer assistência e informações relacionadas a situações de desastre. A interface do usuário é construída com Streamlit, e o agente backend utiliza LangGraph e modelos de linguagem da OpenAI (via Azure) para processar as consultas dos usuários, buscar informações e fornecer respostas relevantes.

• Antônio Libarato RM558014
• Renan de França Gonçalves RM558413
• Thiago Almança RM558108

O "Disaster Response Agent" é projetado para:

1. Entender a Situação do Usuário: Classifica o perfil do usuário (por exemplo, vítima, morador preocupado, familiar) para adaptar a comunicação.
2. Buscar Informações:
   • Consulta uma base de conhecimento interna para informações já processadas.
   • Realiza buscas na internet (usando Tavily Search) para obter dados atualizados ou informações não presentes na base interna.
   • Adiciona novas informações encontradas na internet à base de conhecimento interna para uso futuro.
3. Interagir com o Usuário: Fornece respostas e orientações através de uma interface de chat amigável.
4. Mostrar Transparência: Exibe o processo de pensamento do agente, incluindo as ferramentas que pretende usar e os resultados parciais.

• Interface de Chat Interativa: Desenvolvida com Streamlit para fácil interação.
• Histórico de Conversa: Mantém o histórico da conversa para cada sessão do usuário.
• Classificação de Perfil de Usuário: O agente tenta identificar o tipo de usuário para personalizar a assistência.
• Busca em Base de Conhecimento Interna: Prioriza a busca por informações já existentes e processadas.
• Busca na Internet em Tempo Real: Utiliza Tavily Search para informações atuais ou não encontradas internamente.
• Aprendizado Contínuo (Simples): Resultados de buscas na internet são adicionados à base de conhecimento interna.
• Streaming de Respostas: As respostas e o status do agente são atualizados em tempo real na interface.
• Integração com LLM (Azure OpenAI): Utiliza modelos de linguagem avançados para compreensão e geração de texto.
• Uso de Ferramentas (Tools): O agente pode decidir usar ferramentas como busca interna ou busca na web.

• Python 3.x
• Streamlit: Para a interface web interativa.
• LangGraph: Para construir o fluxo lógico do agente.
• LangChain: Para componentes de LLM, ferramentas, prompts e gerenciamento de estado.
• Langchain-OpenAI: Para integração com os modelos da OpenAI (especificamente Azure OpenAI).
• Langchain-Community: Para ferramentas como TavilySearchResults e embeddings HuggingFaceEmbeddings.
• Tavily Search API: Para busca na internet.
• Sentence-Transformers: Para gerar embeddings localmente (modelo all-MiniLM-L6-v2).
• Dotenv: Para gerenciamento de variáveis de ambiente.

• Python 3.8 ou superior.
• Acesso a um endpoint do Azure OpenAI e uma chave de API.
• Uma chave de API da Tavily Search.

1. Clone o Repositório (Opcional): Se você baixou os arquivos, pule esta etapa. Caso contrário:

   git clone <url-do-seu-repositorio>
   cd <nome-do-repositorio>

2. Crie um Ambiente Virtual (Recomendado):

   python -m venv venv
   source venv/bin/activate  # No Windows: venv\Scripts\activate

3. Instale as Dependências: Certifique-se de que o arquivo angent.py (ou um requirements.txt se você criar um) esteja no mesmo diretório ou instale as bibliotecas manualmente:

   pip install -U streamlit langgraph langchain langchain_openai langchain_community tavily-python python-dotenv sentence-transformers

4. Configure as Variáveis de Ambiente: Crie um arquivo chamado .env na raiz do projeto com o seguinte conteúdo, substituindo pelos seus valores:

   TAVILY_API_KEY="sua_chave_tavily_aqui"
   AZURE_OPENAI_ENDPOINT="seu_endpoint_azure_openai_aqui"
   AZURE_OPENAI_CHAT_DEPLOYMENT_NAME="nome_do_seu_deployment_chat_aqui"
   OPENAI_API_VERSION="2024-02-15-preview" # Ou a versão que você está usando
   # OPENAI_API_KEY="sua_chave_openai_aqui" # Se não estiver usando Azure, descomente e configure

   Nota: O código em angent.py está configurado para usar AzureChatOpenAI. Se você pretende usar a API padrão da OpenAI, precisará ajustar a inicialização do llmClient em angent.py.

Após a configuração e instalação das dependências, execute o aplicativo Streamlit:

streamlit run app_streamlit.py