fix: enviar mensagens de erro para a bubble

_utils/custom_exception_handler.py

@@ -10,13 +10,31 @@ logger = logging.getLogger(__name__)
 
 
 def custom_exception_handler(exc, context):
+    print("---------------- CHEGOU NA FUNÇÃO PERSONALIZADA DE ERRO ----------------")
+    if (context):
+        serializer: Dict = context["view"].serializer
+    else:
+        serializer = {}
+    print("INICIANDO RESPOSTA DE ERRO PARA O BUBBLE")
+    resposta_bubble = enviar_resposta_final(
+        serializer.get("doc_id", ""),
+        serializer.get("form_response_id", ""),
+        serializer.get("version", ""),
+        serializer.get("texto_completo", ""),
+        True,
+    )
+    print("\n\nresposta_bubble.status_code", resposta_bubble.status_code)
+    print("\n\nresposta_bubble.text", resposta_bubble.text)
     # Call REST framework's default exception handler first
     response = exception_handler(exc, context)
-    serializer: Dict = context["view"].serializer
 
     if response and str(response.status_code)[0] != "2":
         logger.error(f"Validation error: {response.data}")
 
+
+    return response
+
+def custom_exception_handler_wihout_api_handler(error, serializer: Dict):
     print("INICIANDO RESPOSTA DE ERRO PARA O BUBBLE")
     resposta_bubble = enviar_resposta_final(
         serializer.get("doc_id", ""),
@@ -27,5 +45,4 @@ def custom_exception_handler(exc, context):
     )
     print("\n\nresposta_bubble.status_code", resposta_bubble.status_code)
     print("\n\nresposta_bubble.text", resposta_bubble.text)
-
-    return response
+    print("\n------------ MOTIVO DO ERRO -----------:", f"\n{error}")

_utils/gerar_relatorio_modelo_usuario/contextual_retriever.py

@@ -115,7 +115,7 @@ class ContextualRetriever:
             lista_com_20_chunks, response_auxiliar_summary
         )
 
-        lista_chunks = []
+        lista_chunks: List[ContextualizedChunk] = []
         try:
             for index, chunk in enumerate(lista_com_20_chunks):
                 lista_chunks.append(

_utils/resumo_completo_cursor.py

@@ -1,5 +1,6 @@
 import os
 from _utils.bubble_integrations.enviar_resposta_final import enviar_resposta_final
+from _utils.custom_exception_handler import custom_exception_handler_wihout_api_handler
 from _utils.gerar_relatorio_modelo_usuario.prompts import prompt_auxiliar_SEM_CONTEXT
 from _utils.gerar_relatorio_modelo_usuario.GerarDocumento import (
     GerarDocumento,
@@ -46,93 +47,97 @@ async def get_llm_summary_answer_by_cursor_complete(
     serializer, listaPDFs, isBubble=False
 ):
     """Parâmetro "contexto" só deve ser passado quando quiser utilizar o teste com ragas, e assim, não quiser passar PDFs"""
-    # Configuration
-    config = RetrievalConfig(
-        num_chunks=serializer["num_chunks_retrieval"],
-        embedding_weight=serializer["embedding_weight"],
-        bm25_weight=serializer["bm25_weight"],
-        context_window=serializer["context_window"],
-        chunk_overlap=serializer["chunk_overlap"],
-    )
-
-    contextual_retriever = ContextualRetriever(
-        config, serializer["claude_context_model"]
-    )
-
-    # Initialize enhanced summarizer
-    summarizer = GerarDocumento(
-        config=config,
-        embedding_model=serializer["hf_embedding"],
-        chunk_overlap=serializer["chunk_overlap"],
-        chunk_size=serializer["chunk_size"],
-        num_k_rerank=serializer["num_k_rerank"],
-        model_cohere_rerank=serializer["model_cohere_rerank"],
-        # prompt_auxiliar=serializer["prompt_auxiliar"],
-        gpt_model=serializer["model"],
-        gpt_temperature=serializer["gpt_temperature"],
-        prompt_gerar_documento=serializer["prompt_gerar_documento"],
-        reciprocal_rank_fusion=reciprocal_rank_fusion,
-    )
-
-    all_PDFs_chunks, full_text_as_array = await get_full_text_and_all_PDFs_chunks(
-        listaPDFs, summarizer.splitter, serializer["should_use_llama_parse"], isBubble
-    )
-
-    is_contextualized_chunk = serializer["should_have_contextual_chunks"]
-
-    if is_contextualized_chunk:
-        response_auxiliar_summary = await get_response_from_auxiliar_contextual_prompt(
-            full_text_as_array
+    try:
+        # Configuration
+        config = RetrievalConfig(
+            num_chunks=serializer["num_chunks_retrieval"],
+            embedding_weight=serializer["embedding_weight"],
+            bm25_weight=serializer["bm25_weight"],
+            context_window=serializer["context_window"],
+            chunk_overlap=serializer["chunk_overlap"],
         )
 
-        print("\nCOMEÇANDO A FAZER AS REQUISIÇÕES DO CONTEXTUAL")
-        contextualized_chunks = await contextual_retriever.contextualize_all_chunks(
-            all_PDFs_chunks, response_auxiliar_summary
+        contextual_retriever = ContextualRetriever(
+            config, serializer["claude_context_model"]
         )
-        print("\nTERMINOU DE FAZER TODAS AS REQUISIÇÕES DO CONTEXTUAL")
-        chunks_processados = contextualized_chunks
-    else:
-        chunks_processados = all_PDFs_chunks
-
-    # Create enhanced vector store and BM25 index
-    vector_store, bm25, chunk_ids = (
-        summarizer.vector_store.create_enhanced_vector_store(
-            chunks_processados, is_contextualized_chunk
+
+        # Initialize enhanced summarizer
+        summarizer = GerarDocumento(
+            config=config,
+            embedding_model=serializer["hf_embedding"],
+            chunk_overlap=serializer["chunk_overlap"],
+            chunk_size=serializer["chunk_size"],
+            num_k_rerank=serializer["num_k_rerank"],
+            model_cohere_rerank=serializer["model_cohere_rerank"],
+            # prompt_auxiliar=serializer["prompt_auxiliar"],
+            gpt_model=serializer["model"],
+            gpt_temperature=serializer["gpt_temperature"],
+            prompt_gerar_documento=serializer["prompt_gerar_documento"],
+            reciprocal_rank_fusion=reciprocal_rank_fusion,
         )
-    )
-
-    llm_ultimas_requests = serializer["llm_ultimas_requests"]
-    print("\nCOMEÇANDO A FAZER ÚLTIMA REQUISIÇÃO")
-    structured_summaries = await summarizer.gerar_documento_final(
-        vector_store, bm25, chunk_ids, llm_ultimas_requests, prompt_auxiliar_SEM_CONTEXT
-    )
-    print("\nTERMINOU DE FAZER A ÚLTIMA REQUISIÇÃO")
-
-    if not isinstance(structured_summaries, list):
-        from rest_framework.response import Response
-
-        return Response({"erro": structured_summaries})
-
-    texto_completo = summarizer.resumo_gerado + "\n\n"
-
-    for x in structured_summaries:
-        texto_completo = texto_completo + x["content"] + "\n"
-        x["source"]["text"] = x["source"]["text"][0:200]
-        x["source"]["context"] = x["source"]["context"][0:200]
-
-    if isBubble:
-        print("COMEÇANDO A REQUISIÇÃO FINAL PARA O BUBBLE")
-        enviar_resposta_final(
-            serializer["doc_id"],
-            serializer["form_response_id"],
-            serializer["version"],
-            texto_completo,
-            False,
+
+        all_PDFs_chunks, full_text_as_array = await get_full_text_and_all_PDFs_chunks(
+            listaPDFs, summarizer.splitter, serializer["should_use_llama_parse"], isBubble
         )
-        print("TERMINOU A REQUISIÇÃO FINAL PARA O BUBBLE")
 
-    return {
-        "texto_completo": texto_completo,
-        "resultado": structured_summaries,
-        "parametros-utilizados": gerar_resposta_compilada(serializer),
-    }
+        is_contextualized_chunk = serializer["should_have_contextual_chunks"]
+
+        if is_contextualized_chunk:
+            response_auxiliar_summary = await get_response_from_auxiliar_contextual_prompt(
+                full_text_as_array
+            )
+
+            print("\nCOMEÇANDO A FAZER AS REQUISIÇÕES DO CONTEXTUAL")
+            contextualized_chunks = await contextual_retriever.contextualize_all_chunks(
+                all_PDFs_chunks, response_auxiliar_summary
+            )
+            print("\nTERMINOU DE FAZER TODAS AS REQUISIÇÕES DO CONTEXTUAL")
+            chunks_processados = contextualized_chunks
+        else:
+            chunks_processados = all_PDFs_chunks
+
+        # Create enhanced vector store and BM25 index
+        vector_store, bm25, chunk_ids = (
+            summarizer.vector_store.create_enhanced_vector_store(
+                chunks_processados, is_contextualized_chunk
+            )
+        )
+
+        llm_ultimas_requests = serializer["llm_ultimas_requests"]
+        print("\nCOMEÇANDO A FAZER ÚLTIMA REQUISIÇÃO")
+        structured_summaries = await summarizer.gerar_documento_final(
+            vector_store, bm25, chunk_ids, llm_ultimas_requests, prompt_auxiliar_SEM_CONTEXT
+        )
+        print("\nTERMINOU DE FAZER A ÚLTIMA REQUISIÇÃO")
+
+        if not isinstance(structured_summaries, list):
+            from rest_framework.response import Response
+
+            return Response({"erro": structured_summaries})
+
+        texto_completo = summarizer.resumo_gerado + "\n\n"
+
+        for x in structured_summaries:
+            texto_completo = texto_completo + x["content"] + "\n"
+            x["source"]["text"] = x["source"]["text"][0:200]
+            x["source"]["context"] = x["source"]["context"][0:200]
+
+        if isBubble:
+            print("COMEÇANDO A REQUISIÇÃO FINAL PARA O BUBBLE")
+            enviar_resposta_final(
+                serializer["doc_id"],
+                serializer["form_response_id"],
+                serializer["version"],
+                texto_completo,
+                False,
+            )
+            print("TERMINOU A REQUISIÇÃO FINAL PARA O BUBBLE")
+
+        return {
+            "texto_completo": texto_completo,
+            "resultado": structured_summaries,
+            "parametros-utilizados": gerar_resposta_compilada(serializer),
+        }
+    except Exception as e:
+        custom_exception_handler_wihout_api_handler(e, serializer)
+        raise

_utils/vector_stores/Vector_store_class.py

@@ -59,4 +59,4 @@ class VectorStore:
 
         except Exception as e:
             self.logger.error(f"Error creating enhanced vector store: {str(e)}")
-            raise
+            raise Exception(f"Error creating enhanced vector store: {str(e)}")