Update app.py

app.py

@@ -1,64 +1,69 @@
+from crewai import Agent, Task, Crew, LLM
 import gradio as gr
-from huggingface_hub import InferenceClient
 
-"""
-For more information on `huggingface_hub` Inference API support, please check the docs: https://huggingface.co/docs/huggingface_hub/v0.22.2/en/guides/inference
-"""
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
+def criar_crew():
+    
+    groq_llm = LLM(model="groq/llama-3.3-70b-versatile")
 
+    pesquisador = Agent(
+        role="Pesquisador",
+        goal="Buscar informações detalhadas sobre um tópico.",
+        backstory="Um especialista em coleta de dados e análise de informações.",
+        llm=groq_llm
+    )
 
-def respond(
-    message,
-    history: list[tuple[str, str]],
-    system_message,
-    max_tokens,
-    temperature,
-    top_p,
-):
-    messages = [{"role": "system", "content": system_message}]
+    redator = Agent(
+        role="Redator",
+        goal="Resumir as informações encontradas e criar um relatório.",
+        backstory="Um redator experiente que transforma dados em textos claros.",
+        llm=groq_llm
+    )
 
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
+    latex = Agent(
+        role="Latex",
+        goal="Crie um documento Latex.",
+        backstory="Um criador de documentos Latex.",
+        llm=groq_llm
+    )
 
-    messages.append({"role": "user", "content": message})
+    tarefa_pesquisa = Task(
+        description="Pesquise informações detalhadas sobre Aprendizagem de Máquina na estimativa de esforço.",
+        agent=pesquisador,
+        expected_output='Informações corretas e detalhadas sobre aprendizagem de máquina na estimativa de esforço'
+    )
 
-    response = ""
+    tarefa_redacao = Task(
+        description="Com base nas informações fornecidas pelo pesquisador, crie um resumo claro e objetivo.",
+        agent=redator,
+        expected_output='Resumo claro e objetivo'
+    )
 
-    for message in client.chat_completion(
-        messages,
-        max_tokens=max_tokens,
-        stream=True,
-        temperature=temperature,
-        top_p=top_p,
-    ):
-        token = message.choices[0].delta.content
+    tarefa_latex = Task(
+        description="Com base nas informações fornecidas pelo pesquisador, crie um documento latex.",
+        agent=latex,
+        expected_output='Um documento Latex'
+    )
 
-        response += token
-        yield response
+    equipe = Crew(
+        agents=[pesquisador, redator],
+        tasks=[tarefa_pesquisa, tarefa_redacao, tarefa_latex]
+    )
+    
+    return equipe
 
+def executar_crew(entrada):
+    equipe = criar_crew()
+    resultado = equipe.kickoff()
+    return resultado
 
-"""
-For information on how to customize the ChatInterface, peruse the gradio docs: https://www.gradio.app/docs/chatinterface
-"""
-demo = gr.ChatInterface(
-    respond,
-    additional_inputs=[
-        gr.Textbox(value="You are a friendly Chatbot.", label="System message"),
-        gr.Slider(minimum=1, maximum=2048, value=512, step=1, label="Max new tokens"),
-        gr.Slider(minimum=0.1, maximum=4.0, value=0.7, step=0.1, label="Temperature"),
-        gr.Slider(
-            minimum=0.1,
-            maximum=1.0,
-            value=0.95,
-            step=0.05,
-            label="Top-p (nucleus sampling)",
-        ),
-    ],
+# Interface Gradio
+interface = gr.Interface(
+    fn=executar_crew,
+    inputs=gr.Text("Pesquise informações detalhadas sobre Aprendizagem de Máquina na estimativa de esforço.", interactive=False),
+    outputs="text",
+    title="Crew AI - Pesquisa e Relatório em Latex",
+    description="Clique no botão para executar a equipe de agentes que irão pesquisar e criar um relatório sobre Aprendizagem de Máquina em latex."
 )
 
-
 if __name__ == "__main__":
-    demo.launch()
+    interface.launch()