Update app.py

app.py

@@ -7,8 +7,9 @@ from textblob import TextBlob
 import nltk
 from nltk.tokenize import sent_tokenize
 
-# Download required NLTK data
-nltk.download('punkt')
+# Download NLTK data
+nltk.download(['punkt', 'punkt_tab'])
+nltk.download('punkt', language='portuguese')
 
 # Load embeddings model
 model = SentenceTransformer('all-MiniLM-L6-v2')
@@ -42,7 +43,7 @@ PERGUNTAS = [
     }
 ]
 
-# Add tone categories with associated words/phrases
+# Add tone categories
 TONE_PATTERNS = {
     "confiante": ["certamente", "sem dúvida", "confio", "tenho certeza", "definitivamente"],
     "reflexivo": ["penso que", "considero", "reflito", "analiso", "pondero"],
@@ -51,7 +52,7 @@ TONE_PATTERNS = {
     "emocional": ["sinto", "emocionalmente", "impactado", "motivado", "frustrado"]
 }
 
-# Enhanced response system with more context and situation-specific feedback
+# Enhanced response system
 RESPOSTAS_COACH = {
     "autoconhecimento": {
         "positive": [
@@ -139,8 +140,10 @@ class EnhancedCoach:
         self.response_quality_metrics = []
         
     def analyze_response_quality(self, text: str) -> Dict[str, float]:
-        """Analyzes response quality based on multiple dimensions."""
-        sentences = sent_tokenize(text)
+        try:
+            sentences = sent_tokenize(text, language='portuguese')
+        except LookupError:
+            sentences = [s.strip() for s in text.split('.') if s.strip()]
         
         metrics = {
             "depth": self._calculate_depth(text),
@@ -153,26 +156,22 @@ class EnhancedCoach:
         return metrics
     
     def _calculate_depth(self, text: str) -> float:
-        """Measures response depth based on length and unique word usage."""
         words = text.lower().split()
         unique_words = len(set(words))
         return min(1.0, (len(words) * unique_words) / 1000)
     
     def _calculate_clarity(self, sentences: List[str]) -> float:
-        """Measures clarity based on sentence structure."""
         if not sentences:
             return 0.0
         avg_length = sum(len(s.split()) for s in sentences) / len(sentences)
         return 1.0 if 10 <= avg_length <= 20 else 0.7
     
     def _calculate_specificity(self, text: str) -> float:
-        """Measures specificity based on concrete details."""
         specific_indicators = ["exemplo", "especificamente", "concretamente", 
                              "situação", "caso", "quando", "onde", "como"]
         return min(1.0, sum(text.lower().count(ind) for ind in specific_indicators) / 5)
     
     def _calculate_actionability(self, sentences: List[str]) -> float:
-        """Measures actionability based on action verbs and concrete steps."""
         action_verbs = ["implementar", "fazer", "criar", "desenvolver", "estabelecer", 
                        "planejar", "executar", "medir", "avaliar"]
         if not sentences:
@@ -182,25 +181,18 @@ class EnhancedCoach:
         return min(1.0, actionable / len(sentences))
 
     def analisar_tom(self, texto: str) -> Tuple[str, float]:
-        """Analisa o tom predominante na resposta usando TextBlob e padrões lexicais."""
         texto_lower = texto.lower()
-        
-        # Análise de sentimento com TextBlob
         blob = TextBlob(texto)
         
-        # Contagem de padrões de tom
         tone_scores = {}
         for tone, patterns in TONE_PATTERNS.items():
             score = sum(texto_lower.count(pattern) for pattern in patterns)
-            # Normalize with TextBlob polarity
             tone_scores[tone] = score * (1 + abs(blob.sentiment.polarity))
             
-        # Get predominant tone
         predominant_tone = max(tone_scores.items(), key=lambda x: x[1])
         return predominant_tone[0], predominant_tone[1]
 
     def analisar_sentimento(self, texto: str) -> str:
-        """Analisa o sentimento geral da resposta."""
         positive_words = ["consegui", "superei", "aprendi", "melhorei", "efetivo"]
         negative_words = ["difícil", "desafiador", "complicado", "problema", "falha"]
         
@@ -215,7 +207,6 @@ class EnhancedCoach:
         return "neutral"
 
     def extrair_acao_especifica(self, texto: str) -> str:
-        """Extrai uma ação específica mencionada na resposta."""
         sentences = texto.split('.')
         for sentence in sentences:
             if any(action in sentence.lower() for action in ["eu", "minha", "realizei", "fiz"]):
@@ -243,7 +234,6 @@ class EnhancedCoach:
         return melhor_resposta.format(specific_action=acao_especifica.lower())
     
     def gerar_resposta(self, texto_usuario: str) -> str:
-        # First, analyze response quality
         quality_metrics = self.analyze_response_quality(texto_usuario)
         
         if quality_metrics["depth"] < 0.3 or quality_metrics["specificity"] < 0.2:
@@ -262,7 +252,6 @@ Alguns aspectos que enriqueceriam sua reflexão:
             tempo = (datetime.now() - self.inicio).seconds // 60
             return self.gerar_sumario_final(tempo)
             
-        # Analyze tone
         tom_predominante, intensidade = self.analisar_tom(texto_usuario)
         self.tone_history.append(tom_predominante)
         
@@ -274,7 +263,6 @@ Alguns aspectos que enriqueceriam sua reflexão:
             pergunta_atual["categoria"]
         )
         
-        # Add tone-specific insights
         tom_insight = self._gerar_insight_tom(tom_predominante, intensidade)
         padrao_identificado = self._analisar_padroes()
         
@@ -292,7 +280,6 @@ Alguns aspectos que enriqueceriam sua reflexão:
         return resposta
 
     def _gerar_insight_tom(self, tom: str, intensidade: float) -> str:
-        """Gera insights baseados no tom da resposta."""
         insights = {
             "confiante": "Sua confiança ao abordar este tema é notável. Como você construiu esta segurança?",
             "reflexivo": "Sua abordagem reflexiva traz profundidade à análise. Continue explorando diferentes perspectivas.",
@@ -329,15 +316,12 @@ Alguns aspectos que enriqueceriam sua reflexão:
         return f"""\n\n### Próxima Reflexão: {proxima['categoria'].title()} 🎯\n\n{proxima['pergunta']}\n\nTome um momento para refletir e conectar com suas experiências..."""
 
     def gerar_sumario_final(self, tempo: int) -> str:
-        # Analyze patterns in responses
         sentimentos = [self.analisar_sentimento(resp) for resp in self.historico_respostas]
         predominante = max(set(sentimentos), key=sentimentos.count)
         
-        # Add tone pattern analysis
         tone_pattern = max(set(self.tone_history), key=self.tone_history.count)
         tone_insight = f"\n\n#### Padrão de Comunicação:\nSeu estilo predominante é {tone_pattern}, o que sugere {self._interpretar_padrao_tom(tone_pattern)}"
         
-        # Analyze overall response quality metrics
         avg_metrics = {
             key: sum(m[key] for m in self.response_quality_metrics) / len(self.response_quality_metrics)
             for key in ["depth", "clarity", "specificity", "actionability"]
@@ -375,7 +359,6 @@ Alguns aspectos que enriqueceriam sua reflexão:
 Deseja iniciar uma nova jornada de desenvolvimento com outros temas?"""
 
     def _interpretar_padrao_tom(self, tom: str) -> str:
-        """Interpreta o significado do padrão de tom predominante."""
         interpretacoes = {
             "confiante": "uma base sólida para influenciar e liderar equipes.",
             "reflexivo": "uma capacidade valiosa de considerar múltiplas perspectivas.",
@@ -397,17 +380,17 @@ Tome um momento para conectar com suas experiências e compartilhe sua perspecti
 def criar_interface():
     coach = EnhancedCoach()
     
-    with gr.Blocks(title="Coach de Liderança") as app:
+    with gr.Blocks(title="Coach de Liderança", theme=gr.themes.Base()) as app:
         gr.Markdown("""
         # 🚀 Coach de Liderança
-
         Desenvolva sua liderança através de reflexão guiada e feedback personalizado.
         """)
         
         chat = gr.Chatbot(
             value=[[None, coach.primeira_pergunta()]],
             height=600,
-            show_label=False
+            show_label=False,
+            type="messages"
         )
         
         with gr.Row():