VPS 4 Deploy Agent
d09155613c
listar_horarios/agendar_horario chamam a ponte do scoreodonto (/api/nw/agenda slots|book) quando configurada — slot_id sintético (dentista|start|end), telefone derivado do JID do contato — com fallback ao calendário interno preservado. brain.ts injeta a config da agenda (agenda_url/secret/clinica_id) no toolCtx. Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
941 lines
45 KiB
JavaScript
941 lines
45 KiB
JavaScript
"use strict";
|
||
/**
|
||
* ProtocolEngine — Cérebro Stateful da Secretária IA
|
||
*
|
||
* Princípios de economia de tokens:
|
||
* 1. Lê o ESTADO atual do protocolo (summary), não o histórico completo
|
||
* 2. Carrega apenas as últimas N mensagens (context_window)
|
||
* 3. Sumarização ativa a cada 10 trocas para manter o resumo atualizado
|
||
* 4. Nós do cérebro são compostos apenas com os ativos
|
||
*/
|
||
Object.defineProperty(exports, "__esModule", { value: true });
|
||
exports.ProtocolEngine = void 0;
|
||
const tools_1 = require("./tools");
|
||
const embeddings_1 = require("./embeddings");
|
||
class ProtocolEngine {
|
||
constructor(db, config) {
|
||
this.db = db;
|
||
this.config = config;
|
||
}
|
||
// ── Chat ─────────────────────────────────────────────────────────────────
|
||
async chat(conversationId, userMessage, opts) {
|
||
const conversation = await this.db('sec_conversations').where({ id: conversationId }).first();
|
||
if (!conversation)
|
||
throw new Error('Conversa não encontrada');
|
||
const agent = await this.db('sec_agents').where({ id: conversation.agent_id }).first();
|
||
if (!agent)
|
||
throw new Error('Agente não encontrado');
|
||
// Monta system prompt a partir dos nós ativos + contexto externo
|
||
const systemPrompt = await this.buildSystemPrompt(agent, conversation, opts, userMessage);
|
||
// Carrega apenas as últimas N mensagens (não o histórico completo)
|
||
const contextWindow = agent.context_window ?? 8;
|
||
const recentMessages = await this.db('sec_messages')
|
||
.where({ conversation_id: conversationId })
|
||
.orderBy('created_at', 'desc')
|
||
.limit(contextWindow)
|
||
.then((rows) => rows.reverse());
|
||
// Salva a mensagem do usuário
|
||
await this.db('sec_messages').insert({
|
||
id: this.uuid(),
|
||
conversation_id: conversationId,
|
||
role: 'user',
|
||
content: userMessage,
|
||
created_at: new Date(),
|
||
});
|
||
// Chama a IA — usa node_model do nó persona se definido (sobrepõe o agente)
|
||
const personaNode = await this.db('sec_brain_nodes')
|
||
.where({ agent_id: conversation.agent_id, type: 'persona', active: true })
|
||
.orderBy('sort_order')
|
||
.first();
|
||
const agentOverride = personaNode?.node_model
|
||
? { ...agent, model: personaNode.node_model }
|
||
: agent;
|
||
const messages = [
|
||
...recentMessages.map((m) => ({ role: m.role, content: m.content })),
|
||
{ role: 'user', content: userMessage },
|
||
];
|
||
// Resolve tools: usa lista passada por opts, ou todas as builtins por padrão
|
||
const toolNames = opts?.tools ?? tools_1.ALL_TOOL_NAMES;
|
||
const toolDefs = (0, tools_1.resolveTools)(toolNames);
|
||
const secCfg = (await this.config.get('secretaria'));
|
||
const toolCtx = {
|
||
db: this.db,
|
||
conversationId,
|
||
extChatId: conversation.ext_chat_id ?? undefined,
|
||
tenantId: opts?.tenantId,
|
||
hooks: opts?.hooks,
|
||
// Ponte de agenda do satélite (scoreodonto) — as tools de agenda operam
|
||
// na agenda real da clínica quando configurada.
|
||
agenda: {
|
||
url: secCfg?.agenda_url,
|
||
secret: secCfg?.agenda_secret,
|
||
clinicaId: secCfg?.clinica_id,
|
||
},
|
||
};
|
||
let response;
|
||
let usageInfo = null;
|
||
let providerUsed = null;
|
||
let modelUsed = null;
|
||
try {
|
||
if (toolDefs.length > 0) {
|
||
response = await this.callAIWithTools(agentOverride, systemPrompt, messages, toolDefs, toolCtx);
|
||
// Telemetria escrita pelos tool loops via side channel (toolCtx._telemetry)
|
||
if (toolCtx._telemetry) {
|
||
usageInfo = toolCtx._telemetry.usage;
|
||
providerUsed = toolCtx._telemetry.provider;
|
||
modelUsed = toolCtx._telemetry.model;
|
||
}
|
||
}
|
||
else {
|
||
const result = await this.callAI(agentOverride, systemPrompt, messages);
|
||
response = result.text;
|
||
usageInfo = result.usage;
|
||
providerUsed = result.provider;
|
||
modelUsed = result.model;
|
||
}
|
||
}
|
||
catch (err) {
|
||
response = `[Erro ao chamar IA: ${err.message}. Verifique a API Key nas configurações do plugin.]`;
|
||
}
|
||
// Salva resposta da IA com telemetria de tokens
|
||
await this.db('sec_messages').insert({
|
||
id: this.uuid(),
|
||
conversation_id: conversationId,
|
||
role: 'assistant',
|
||
content: response,
|
||
usage_tokens: usageInfo ? JSON.stringify(usageInfo) : null,
|
||
provider_used: providerUsed,
|
||
model_used: modelUsed,
|
||
created_at: new Date(),
|
||
});
|
||
// Atualiza conversa + sumariza a cada 10 trocas
|
||
const totalMsgs = await this.db('sec_messages')
|
||
.where({ conversation_id: conversationId })
|
||
.count('id as c')
|
||
.first()
|
||
.then((r) => Number(r?.c ?? 0));
|
||
let summary = conversation.summary;
|
||
if (totalMsgs > 0 && (totalMsgs % 10 === 0 || totalMsgs === 5)) {
|
||
summary = await this.summarize(agent, recentMessages, userMessage, response);
|
||
// Extrai memória duradoura do contato a partir da conversa (não bloqueia a resposta).
|
||
this.extractContactMemory(agent, conversation, recentMessages, userMessage, response).catch(() => { });
|
||
}
|
||
await this.db('sec_conversations')
|
||
.where({ id: conversationId })
|
||
.update({ updated_at: new Date(), summary });
|
||
return response;
|
||
}
|
||
// ── Protocol Number ───────────────────────────────────────────────────────
|
||
static generateProtocolNumber() {
|
||
const now = new Date();
|
||
const p = (n, d = 2) => String(n).padStart(d, '0');
|
||
return `${p(now.getDate())}${p(now.getMonth() + 1)}${String(now.getFullYear()).slice(-2)}${p(now.getHours())}${p(now.getMinutes())}${p(now.getSeconds())}`;
|
||
}
|
||
// ── System Prompt Builder ─────────────────────────────────────────────────
|
||
async buildSystemPrompt(agent, conversation, opts, userMessage) {
|
||
const nodes = await this.db('sec_brain_nodes')
|
||
.where({ agent_id: agent.id, active: true })
|
||
.orderBy('sort_order');
|
||
let prompt = '';
|
||
// Data/hora real — impede o modelo de alucinar a data
|
||
const nowReal = new Date();
|
||
const dtStr = nowReal.toLocaleString('pt-BR', {
|
||
timeZone: 'America/Sao_Paulo',
|
||
weekday: 'long', day: '2-digit', month: 'long', year: 'numeric',
|
||
hour: '2-digit', minute: '2-digit',
|
||
});
|
||
prompt += `=== DATA E HORA ATUAL ===\n${dtStr} (horário de Brasília)\n\n`;
|
||
// Cabeçalho do protocolo — sempre presente, leve (3 linhas)
|
||
const protocolHeader = [
|
||
`=== PROTOCOLO ATIVO ===`,
|
||
`Número: ${conversation.protocol_number || '—'}`,
|
||
`Contato: ${conversation.contact_name}`,
|
||
`Status: ${conversation.status}`,
|
||
``,
|
||
].join('\n');
|
||
prompt += protocolHeader;
|
||
// Memória de longo prazo do contato (fatos de conversas anteriores)
|
||
const contactMem = await this.contactMemoryContext(conversation, userMessage);
|
||
if (contactMem)
|
||
prompt += `=== MEMÓRIA DO CLIENTE (de conversas anteriores) ===\n${contactMem}\n\n`;
|
||
for (const node of nodes) {
|
||
switch (node.type) {
|
||
case 'persona':
|
||
prompt += `${node.content}\n\n`;
|
||
break;
|
||
case 'knowledge': {
|
||
// RAG: injeta só os trechos relevantes à pergunta (fallback = tudo).
|
||
const kb = await this.knowledgeContext(node, userMessage);
|
||
prompt += `=== BASE DE CONHECIMENTO ===\n${kb}\n\n`;
|
||
break;
|
||
}
|
||
case 'rules':
|
||
prompt += `=== REGRAS ===\n${node.content}\n\n`;
|
||
break;
|
||
case 'calendar': {
|
||
const calCtx = await this.getCalendarContext();
|
||
prompt += `=== AGENDA DISPONÍVEL (próximos 7 dias) ===\n${calCtx}\n\nInstruções: ${node.content}\n\n`;
|
||
break;
|
||
}
|
||
case 'escalation':
|
||
prompt += `=== REGRAS DE ESCALADA ===\n${node.content}\n\n`;
|
||
break;
|
||
default:
|
||
prompt += `${node.content}\n\n`;
|
||
}
|
||
}
|
||
// Injeta contexto local do projeto (enviado pelo plugin satélite)
|
||
if (opts?.contextData && Object.keys(opts.contextData).length > 0) {
|
||
const ctx = JSON.stringify(opts.contextData, null, 2);
|
||
prompt += `=== CONTEXTO DO CLIENTE (dados reais do projeto) ===\n${ctx}\n\n`;
|
||
}
|
||
// Prompt extra do plugin (instruções específicas da chamada)
|
||
if (opts?.systemExtra?.trim()) {
|
||
prompt += `=== INSTRUÇÕES ADICIONAIS ===\n${opts.systemExtra.trim()}\n\n`;
|
||
}
|
||
// Injeta resumo do estado atual (economia de tokens — evita reler o histórico)
|
||
if (conversation.summary) {
|
||
prompt += `=== ESTADO ATUAL DA CONVERSA ===\n${conversation.summary}\n\n`;
|
||
}
|
||
return prompt.trim();
|
||
}
|
||
// ── RAG: contexto de conhecimento por similaridade (sem pgvector) ──────────
|
||
/**
|
||
* Retorna apenas os trechos do conhecimento relevantes à pergunta do usuário,
|
||
* via embeddings + cosseno. Cai no conteúdo INTEIRO (comportamento anterior)
|
||
* se não houver chave de embedding, se a indexação/embedding falhar, ou se
|
||
* não houver chunks — ou seja, nunca piora o que já funcionava.
|
||
*/
|
||
async knowledgeContext(node, userMessage) {
|
||
if (!userMessage?.trim())
|
||
return node.content;
|
||
let cfg;
|
||
try {
|
||
cfg = await this.config.get('secretaria');
|
||
}
|
||
catch {
|
||
return node.content;
|
||
}
|
||
if (!(0, embeddings_1.hasEmbeddingKey)(cfg))
|
||
return node.content;
|
||
try {
|
||
await this.ensureKnowledgeIndexed(node, cfg);
|
||
const qVec = await (0, embeddings_1.embed)(userMessage, cfg);
|
||
if (!qVec)
|
||
return node.content;
|
||
const chunks = await this.db('sec_knowledge_chunks').where({ node_id: node.id });
|
||
if (!chunks.length)
|
||
return node.content;
|
||
const ranked = chunks
|
||
.map((c) => {
|
||
let v = [];
|
||
try {
|
||
v = JSON.parse(c.embedding);
|
||
}
|
||
catch {
|
||
v = [];
|
||
}
|
||
return { content: c.content, score: (0, embeddings_1.cosineSimilarity)(qVec, v) };
|
||
})
|
||
.sort((a, b) => b.score - a.score)
|
||
.slice(0, 4)
|
||
.filter((r) => r.score > 0);
|
||
return ranked.length ? ranked.map((r) => r.content).join('\n\n') : node.content;
|
||
}
|
||
catch {
|
||
return node.content;
|
||
}
|
||
}
|
||
/** Reindexa os chunks do nó quando o conteúdo muda (detecção por hash MD5). */
|
||
async ensureKnowledgeIndexed(node, cfg) {
|
||
const hash = (0, embeddings_1.hashText)(node.content ?? '');
|
||
const existing = await this.db('sec_knowledge_chunks').where({ node_id: node.id }).first();
|
||
if (existing && existing.content_hash === hash)
|
||
return;
|
||
await this.db('sec_knowledge_chunks').where({ node_id: node.id }).del();
|
||
const chunks = (0, embeddings_1.chunkText)(node.content ?? '');
|
||
let idx = 0;
|
||
for (const ch of chunks) {
|
||
const vec = await (0, embeddings_1.embed)(ch, cfg);
|
||
if (!vec)
|
||
continue;
|
||
await this.db('sec_knowledge_chunks').insert({
|
||
id: this.uuid(),
|
||
agent_id: node.agent_id,
|
||
node_id: node.id,
|
||
content_hash: hash,
|
||
chunk_index: idx++,
|
||
content: ch,
|
||
embedding: JSON.stringify(vec),
|
||
});
|
||
}
|
||
}
|
||
// ── Memória de longo prazo por contato ─────────────────────────────────────
|
||
/** Recupera os fatos do contato relevantes à pergunta (conversas anteriores). */
|
||
async contactMemoryContext(conversation, userMessage) {
|
||
const contactKey = conversation.ext_chat_id || conversation.contact_name;
|
||
if (!contactKey)
|
||
return '';
|
||
let cfg;
|
||
try {
|
||
cfg = await this.config.get('secretaria');
|
||
}
|
||
catch {
|
||
return '';
|
||
}
|
||
try {
|
||
const mems = await this.db('sec_contact_memory')
|
||
.where({ agent_id: conversation.agent_id, contact_key: contactKey });
|
||
if (!mems.length)
|
||
return '';
|
||
const qVec = (userMessage?.trim() && (0, embeddings_1.hasEmbeddingKey)(cfg)) ? await (0, embeddings_1.embed)(userMessage, cfg) : null;
|
||
if (!qVec) {
|
||
// Sem embedding da pergunta: usa os fatos mais recentes.
|
||
return mems.slice(-6).map((m) => `- ${m.content}`).join('\n');
|
||
}
|
||
const ranked = mems
|
||
.map((m) => {
|
||
let v = [];
|
||
try {
|
||
v = JSON.parse(m.embedding);
|
||
}
|
||
catch {
|
||
v = [];
|
||
}
|
||
return { content: m.content, score: (0, embeddings_1.cosineSimilarity)(qVec, v) };
|
||
})
|
||
.sort((a, b) => b.score - a.score)
|
||
.slice(0, 6)
|
||
.filter((r) => r.score > 0);
|
||
return ranked.length ? ranked.map((r) => `- ${r.content}`).join('\n') : '';
|
||
}
|
||
catch {
|
||
return '';
|
||
}
|
||
}
|
||
/** Extrai fatos duradouros do cliente da conversa e salva (com embedding + dedup). */
|
||
async extractContactMemory(agent, conversation, recentMessages, userMessage, response) {
|
||
const contactKey = conversation.ext_chat_id || conversation.contact_name;
|
||
if (!contactKey)
|
||
return;
|
||
let cfg;
|
||
try {
|
||
cfg = await this.config.get('secretaria');
|
||
}
|
||
catch {
|
||
return;
|
||
}
|
||
if (!(0, embeddings_1.hasEmbeddingKey)(cfg))
|
||
return; // sem embedding não há como armazenar/buscar
|
||
const transcript = [
|
||
...recentMessages.map((m) => ({ role: m.role, content: m.content })),
|
||
{ role: 'user', content: userMessage },
|
||
{ role: 'assistant', content: response },
|
||
].map((m) => `${m.role === 'user' ? 'Cliente' : 'Atendente'}: ${m.content}`).join('\n');
|
||
const sys = [
|
||
'Extraia FATOS DURADOUROS sobre o CLIENTE desta conversa, úteis em atendimentos futuros',
|
||
'(preferências, dados pessoais, decisões, contexto recorrente).',
|
||
'- Uma frase curta por fato, em 3ª pessoa ("O cliente ...").',
|
||
'- Ignore saudações, agradecimentos e o que é efêmero.',
|
||
'- Se não houver nada digno de memória, responda exatamente: NADA',
|
||
'Responda só a lista, uma por linha, sem numerar.',
|
||
].join('\n');
|
||
let factsText = '';
|
||
try {
|
||
const r = await this.callAI(agent, sys, [{ role: 'user', content: transcript }]);
|
||
factsText = r.text ?? '';
|
||
}
|
||
catch {
|
||
return;
|
||
}
|
||
if (!factsText.trim() || /^\s*NADA\s*$/i.test(factsText.trim()))
|
||
return;
|
||
const facts = factsText.split('\n')
|
||
.map((s) => s.replace(/^[-*\d.\s]+/, '').trim())
|
||
.filter((f) => f.length > 3)
|
||
.slice(0, 8);
|
||
if (!facts.length)
|
||
return;
|
||
const existing = await this.db('sec_contact_memory')
|
||
.where({ agent_id: agent.id, contact_key: contactKey });
|
||
const vecs = existing.map((e) => { try {
|
||
return JSON.parse(e.embedding);
|
||
}
|
||
catch {
|
||
return [];
|
||
} });
|
||
for (const fact of facts) {
|
||
const vec = await (0, embeddings_1.embed)(fact, cfg);
|
||
if (!vec)
|
||
continue;
|
||
if (vecs.some((ev) => ev.length && (0, embeddings_1.cosineSimilarity)(vec, ev) > 0.92))
|
||
continue; // dedup
|
||
await this.db('sec_contact_memory').insert({
|
||
id: this.uuid(),
|
||
agent_id: agent.id,
|
||
contact_key: contactKey,
|
||
content: fact,
|
||
embedding: JSON.stringify(vec),
|
||
created_at: new Date(),
|
||
updated_at: new Date(),
|
||
});
|
||
vecs.push(vec);
|
||
}
|
||
}
|
||
// ── Finalize Protocol ─────────────────────────────────────────────────────
|
||
async finalizeProtocol(conversationId) {
|
||
const conversation = await this.db('sec_conversations').where({ id: conversationId }).first();
|
||
if (!conversation)
|
||
throw new Error('Conversa não encontrada');
|
||
if (conversation.status === 'closed') {
|
||
return { summary: conversation.summary ?? '', protocol_number: conversation.protocol_number };
|
||
}
|
||
const agent = await this.db('sec_agents').where({ id: conversation.agent_id }).first();
|
||
if (!agent)
|
||
throw new Error('Agente não encontrado');
|
||
// Carrega todas as mensagens para gerar resumo completo
|
||
const messages = await this.db('sec_messages')
|
||
.where({ conversation_id: conversationId })
|
||
.orderBy('created_at');
|
||
let summary = conversation.summary ?? '';
|
||
if (messages.length > 0) {
|
||
const transcript = messages
|
||
.map((m) => `${m.role === 'user' ? 'Cliente' : 'Ana'}: ${m.content}`)
|
||
.join('\n');
|
||
const summaryPrompt = `Gere um resumo estruturado desta conversa de atendimento para uso futuro como contexto rápido.\nInclua: motivo do contato, o que foi resolvido, próximos passos pendentes (se houver).\nMáximo 5 linhas. Seja objetivo.\n\nProtocolo: ${conversation.protocol_number}\nContato: ${conversation.contact_name}\n\n${transcript}`;
|
||
const cheapModel = {
|
||
openai: 'gpt-4o-mini', anthropic: 'claude-3-5-haiku-20241022',
|
||
gemini: 'gemini-2.0-flash', ollama: agent.model ?? 'llama3',
|
||
};
|
||
const finalAgent = {
|
||
...agent, temperature: 0.2, max_tokens: 200,
|
||
model: cheapModel[agent.provider] ?? agent.model,
|
||
};
|
||
try {
|
||
const result = await this.callAI(finalAgent, '', [{ role: 'user', content: summaryPrompt }]);
|
||
summary = result.text;
|
||
}
|
||
catch {
|
||
summary = conversation.summary ?? `Protocolo ${conversation.protocol_number} encerrado.`;
|
||
}
|
||
}
|
||
// Apaga mensagens — contexto comprimido no resumo (economia de tokens)
|
||
await this.db('sec_messages').where({ conversation_id: conversationId }).delete();
|
||
// Fecha o protocolo com resumo persistido
|
||
await this.db('sec_conversations')
|
||
.where({ id: conversationId })
|
||
.update({ status: 'closed', summary, updated_at: new Date() });
|
||
return { summary, protocol_number: conversation.protocol_number };
|
||
}
|
||
// ── AI Call ───────────────────────────────────────────────────────────────
|
||
buildFallbackChain(agent, cfg) {
|
||
const chainStr = cfg.fallback_chain ?? 'openai,gemini,anthropic,ollama';
|
||
const order = chainStr.split(',').map((s) => s.trim()).filter(Boolean);
|
||
const defaults = {
|
||
openai: 'gpt-4o-mini',
|
||
anthropic: 'claude-3-5-haiku-20241022',
|
||
gemini: 'gemini-2.0-flash',
|
||
ollama: 'llama3',
|
||
};
|
||
const hasKey = (p) => {
|
||
if (p === 'openai')
|
||
return !!cfg.openai_key;
|
||
if (p === 'anthropic')
|
||
return !!cfg.anthropic_key;
|
||
if (p === 'gemini')
|
||
return !!cfg.gemini_key;
|
||
if (p === 'ollama')
|
||
return true; // local, sempre disponível
|
||
return false;
|
||
};
|
||
const agentProvider = agent.provider ?? 'openai';
|
||
const agentModel = agent.model ?? defaults[agentProvider] ?? 'gpt-4o-mini';
|
||
const chain = [{ provider: agentProvider, model: agentModel }];
|
||
for (const p of order) {
|
||
if (p === agentProvider)
|
||
continue;
|
||
if (!hasKey(p))
|
||
continue;
|
||
chain.push({ provider: p, model: defaults[p] ?? p });
|
||
}
|
||
return chain;
|
||
}
|
||
isRecoverableError(err) {
|
||
const msg = err.message.toLowerCase();
|
||
return (msg.includes('quota') ||
|
||
msg.includes('rate limit') ||
|
||
msg.includes('limite da api') ||
|
||
msg.includes('exceeded') ||
|
||
msg.includes('billing') ||
|
||
msg.includes('insufficient') ||
|
||
msg.includes('invalid_api_key') ||
|
||
msg.includes('econnrefused') ||
|
||
msg.includes('enotfound') ||
|
||
msg.includes('não configurada') ||
|
||
// Erros de rede transitórios — devem cair para o próximo provider da chain,
|
||
// não abortar a resposta (era o que gerava "[Erro ao chamar IA: fetch failed]").
|
||
msg.includes('fetch failed') ||
|
||
msg.includes('timeout') ||
|
||
msg.includes('timed out') ||
|
||
msg.includes('aborted') ||
|
||
msg.includes('econnreset') ||
|
||
msg.includes('etimedout') ||
|
||
msg.includes('und_err') ||
|
||
msg.includes('socket hang up'));
|
||
}
|
||
async callAI(agent, systemPrompt, messages) {
|
||
const cfg = await this.config.get('secretaria');
|
||
const chain = this.buildFallbackChain(agent, cfg);
|
||
let lastError = new Error('Nenhum provider disponível');
|
||
for (const entry of chain) {
|
||
try {
|
||
return await this.callProvider(entry.provider, entry.model, agent, cfg, systemPrompt, messages);
|
||
}
|
||
catch (err) {
|
||
lastError = err;
|
||
if (this.isRecoverableError(err))
|
||
continue;
|
||
throw err;
|
||
}
|
||
}
|
||
throw new Error(`Todos os providers falharam. Último erro: ${lastError.message}`);
|
||
}
|
||
/**
|
||
* Chama o provider e retorna { text, usage, provider, model }.
|
||
* usage: { input, output, cached?, total } — chars/tokens consumidos.
|
||
* Reads agent.max_tokens (default 250 — adequado a WhatsApp).
|
||
*/
|
||
async callProvider(provider, model, agent, cfg, systemPrompt, messages) {
|
||
const maxTokens = agent.max_tokens ?? 250;
|
||
const temperature = agent.temperature ?? 0.7;
|
||
// ── OpenAI ────────────────────────────────────────────────────────────────
|
||
if (provider === 'openai') {
|
||
const apiKey = cfg.openai_key ?? '';
|
||
if (!apiKey)
|
||
throw new Error('OpenAI API Key não configurada. Acesse Admin → Plugins → Secretária IA.');
|
||
const res = await fetch('https://api.openai.com/v1/chat/completions', {
|
||
method: 'POST',
|
||
headers: { 'Content-Type': 'application/json', Authorization: `Bearer ${apiKey}` },
|
||
signal: AbortSignal.timeout(25000),
|
||
body: JSON.stringify({
|
||
model,
|
||
temperature,
|
||
max_tokens: maxTokens,
|
||
messages: [{ role: 'system', content: systemPrompt }, ...messages],
|
||
}),
|
||
});
|
||
const data = (await res.json());
|
||
if (!res.ok)
|
||
throw new Error(data.error?.message ?? `OpenAI ${res.status}`);
|
||
const text = data.choices[0].message.content;
|
||
const usage = {
|
||
input: data.usage?.prompt_tokens ?? 0,
|
||
output: data.usage?.completion_tokens ?? 0,
|
||
cached: data.usage?.prompt_tokens_details?.cached_tokens ?? 0,
|
||
total: data.usage?.total_tokens ?? 0,
|
||
};
|
||
return { text, usage, provider, model };
|
||
}
|
||
// ── Anthropic (com prompt caching ephemeral no system) ───────────────────
|
||
if (provider === 'anthropic') {
|
||
const apiKey = cfg.anthropic_key ?? '';
|
||
if (!apiKey)
|
||
throw new Error('Anthropic API Key não configurada. Acesse Admin → Plugins → Secretária IA.');
|
||
const res = await fetch('https://api.anthropic.com/v1/messages', {
|
||
method: 'POST',
|
||
headers: {
|
||
'Content-Type': 'application/json',
|
||
'x-api-key': apiKey,
|
||
'anthropic-version': '2023-06-01',
|
||
// Header necessário até GA do prompt caching
|
||
'anthropic-beta': 'prompt-caching-2024-07-31',
|
||
},
|
||
signal: AbortSignal.timeout(25000),
|
||
body: JSON.stringify({
|
||
model,
|
||
max_tokens: maxTokens,
|
||
// System como array com cache_control: trecho fica em cache 5min
|
||
// Próximas chamadas com mesmo systemPrompt pagam ~10% pelo trecho cacheado.
|
||
system: [
|
||
{ type: 'text', text: systemPrompt, cache_control: { type: 'ephemeral' } },
|
||
],
|
||
messages,
|
||
}),
|
||
});
|
||
const data = (await res.json());
|
||
if (!res.ok)
|
||
throw new Error(data.error?.message ?? `Anthropic ${res.status}`);
|
||
const text = data.content[0].text;
|
||
const usage = {
|
||
input: data.usage?.input_tokens ?? 0,
|
||
output: data.usage?.output_tokens ?? 0,
|
||
cache_create: data.usage?.cache_creation_input_tokens ?? 0,
|
||
cache_read: data.usage?.cache_read_input_tokens ?? 0,
|
||
total: (data.usage?.input_tokens ?? 0) + (data.usage?.output_tokens ?? 0),
|
||
};
|
||
return { text, usage, provider, model };
|
||
}
|
||
// ── Google Gemini ─────────────────────────────────────────────────────────
|
||
if (provider === 'gemini') {
|
||
const apiKey = cfg.gemini_key ?? '';
|
||
if (!apiKey)
|
||
throw new Error('Google Gemini API Key não configurada. Acesse Admin → Plugins → Secretária IA.');
|
||
const geminiModel = model.startsWith('gemini') ? model : 'gemini-2.0-flash';
|
||
const geminiMessages = messages.map((m) => ({
|
||
role: m.role === 'assistant' ? 'model' : 'user',
|
||
parts: [{ text: m.content }],
|
||
}));
|
||
const geminiBody = JSON.stringify({
|
||
systemInstruction: { parts: [{ text: systemPrompt }] },
|
||
contents: geminiMessages,
|
||
generationConfig: { temperature, maxOutputTokens: maxTokens },
|
||
});
|
||
const geminiUrl = `https://generativelanguage.googleapis.com/v1beta/models/${geminiModel}:generateContent?key=${apiKey}`;
|
||
const doGeminiCall = async () => fetch(geminiUrl, {
|
||
method: 'POST',
|
||
headers: { 'Content-Type': 'application/json' },
|
||
signal: AbortSignal.timeout(25000),
|
||
body: geminiBody,
|
||
});
|
||
let res = await doGeminiCall();
|
||
let data = (await res.json());
|
||
if (!res.ok && (res.status === 429 || String(data.error?.message ?? '').toLowerCase().includes('quota'))) {
|
||
const msg = data.error?.message ?? '';
|
||
const match = msg.match(/retry in ([\d.]+)s/i);
|
||
// Espera no máximo 8s (era 30s) e mínimo 1.5s (era 5s) — limita impacto de quota no tempo total
|
||
const waitMs = match ? Math.min(Math.ceil(parseFloat(match[1])) * 1000, 8000) : 1500;
|
||
await new Promise((r) => setTimeout(r, waitMs));
|
||
res = await doGeminiCall();
|
||
data = (await res.json());
|
||
}
|
||
if (!res.ok) {
|
||
const errMsg = data.error?.message ?? `Gemini ${res.status}`;
|
||
if (errMsg.toLowerCase().includes('quota') || res.status === 429) {
|
||
throw new Error('Limite da API Gemini atingido. Aguarde alguns instantes e tente novamente.');
|
||
}
|
||
throw new Error(errMsg);
|
||
}
|
||
const text = data.candidates[0].content.parts[0].text;
|
||
const usage = {
|
||
input: data.usageMetadata?.promptTokenCount ?? 0,
|
||
output: data.usageMetadata?.candidatesTokenCount ?? 0,
|
||
total: data.usageMetadata?.totalTokenCount ?? 0,
|
||
};
|
||
return { text, usage, provider, model: geminiModel };
|
||
}
|
||
// ── Ollama (local) ────────────────────────────────────────────────────────
|
||
if (provider === 'ollama') {
|
||
const baseUrl = cfg.ollama_url ?? 'http://localhost:11434';
|
||
const ollamaModel = model || 'llama3';
|
||
const res = await fetch(`${baseUrl}/api/chat`, {
|
||
method: 'POST',
|
||
headers: { 'Content-Type': 'application/json' },
|
||
signal: AbortSignal.timeout(25000),
|
||
body: JSON.stringify({
|
||
model: ollamaModel,
|
||
stream: false,
|
||
messages: [{ role: 'system', content: systemPrompt }, ...messages],
|
||
options: { temperature, num_predict: maxTokens },
|
||
}),
|
||
});
|
||
const data = (await res.json());
|
||
if (!res.ok)
|
||
throw new Error(data.error ?? `Ollama ${res.status}`);
|
||
const text = data.message.content;
|
||
const usage = {
|
||
input: data.prompt_eval_count ?? 0,
|
||
output: data.eval_count ?? 0,
|
||
total: (data.prompt_eval_count ?? 0) + (data.eval_count ?? 0),
|
||
};
|
||
return { text, usage, provider, model: ollamaModel };
|
||
}
|
||
throw new Error(`Provider "${provider}" não suportado. Use: openai, anthropic, gemini, ollama`);
|
||
}
|
||
// ── Calendar Context ──────────────────────────────────────────────────────
|
||
async getCalendarContext() {
|
||
const today = new Date().toISOString().split('T')[0];
|
||
const nextWeek = new Date();
|
||
nextWeek.setDate(nextWeek.getDate() + 7);
|
||
const nextWeekStr = nextWeek.toISOString().split('T')[0];
|
||
const slots = await this.db('sec_calendar')
|
||
.whereIn('status', ['available', 'booked'])
|
||
.whereBetween('date', [today, nextWeekStr])
|
||
.orderBy('date')
|
||
.orderBy('time_start')
|
||
.limit(30);
|
||
if (slots.length === 0)
|
||
return 'Nenhum horário nos próximos 7 dias.';
|
||
const lines = slots.map((s) => {
|
||
const time = `${s.date} ${s.time_start.slice(0, 5)}–${s.time_end.slice(0, 5)}`;
|
||
if (s.status === 'booked') {
|
||
const who = s.attendee_name ? ` | Paciente: ${s.attendee_name}` : '';
|
||
const phone = s.attendee_phone ? ` (${s.attendee_phone})` : '';
|
||
return `• [AGENDADO] ${time}: ${s.title}${who}${phone}`;
|
||
}
|
||
return `• [DISPONÍVEL] ${time}: ${s.title}`;
|
||
});
|
||
return lines.join('\n');
|
||
}
|
||
// ── Summarization (token economy) ────────────────────────────────────────
|
||
/**
|
||
* Sumarização com modelo barato (M1.5).
|
||
* Força modelo "mini/haiku/flash" mesmo que o agente principal use modelo caro.
|
||
* Sumário é tarefa simples — não precisa do modelo de produção.
|
||
*/
|
||
async summarize(agent, recentMsgs, lastUser, lastAssistant) {
|
||
const excerpt = [
|
||
...recentMsgs.slice(-6).map((m) => `${m.role}: ${m.content}`),
|
||
`user: ${lastUser}`,
|
||
`assistant: ${lastAssistant}`,
|
||
].join('\n');
|
||
const prompt = `Resuma em no máximo 2 frases curtas o estado atual desta conversa de atendimento, focando no tema e próximo passo:\n\n${excerpt}`;
|
||
// Modelo barato por provider
|
||
const cheapModel = {
|
||
openai: 'gpt-4o-mini',
|
||
anthropic: 'claude-3-5-haiku-20241022',
|
||
gemini: 'gemini-2.0-flash',
|
||
ollama: agent.model ?? 'llama3',
|
||
};
|
||
const summaryAgent = {
|
||
...agent,
|
||
temperature: 0.3,
|
||
max_tokens: 120,
|
||
model: cheapModel[agent.provider] ?? agent.model,
|
||
};
|
||
try {
|
||
const result = await this.callAI(summaryAgent, '', [{ role: 'user', content: prompt }]);
|
||
return result.text;
|
||
}
|
||
catch {
|
||
return '';
|
||
}
|
||
}
|
||
// ── Tool Calling ──────────────────────────────────────────────────────────
|
||
async callAIWithTools(agent, systemPrompt, inputMessages, tools, toolCtx) {
|
||
const cfg = await this.config.get('secretaria');
|
||
const chain = this.buildFallbackChain(agent, cfg);
|
||
// Prefere provider com suporte a tool calling; Ollama cai em modo texto
|
||
const TOOL_PROVIDERS = ['openai', 'anthropic', 'gemini'];
|
||
const entry = chain.find(e => TOOL_PROVIDERS.includes(e.provider));
|
||
if (!entry) {
|
||
// Nenhum provider com tool calling disponível — usa modo texto normal
|
||
return (await this.callAI(agent, systemPrompt, inputMessages)).text;
|
||
}
|
||
try {
|
||
switch (entry.provider) {
|
||
case 'openai':
|
||
return await this.openAIToolLoop(entry.model, agent, cfg, systemPrompt, inputMessages, tools, toolCtx);
|
||
case 'anthropic':
|
||
return await this.anthropicToolLoop(entry.model, agent, cfg, systemPrompt, inputMessages, tools, toolCtx);
|
||
case 'gemini':
|
||
return await this.geminiToolLoop(entry.model, agent, cfg, systemPrompt, inputMessages, tools, toolCtx);
|
||
default:
|
||
return (await this.callAI(agent, systemPrompt, inputMessages)).text;
|
||
}
|
||
}
|
||
catch (err) {
|
||
if (this.isRecoverableError(err)) {
|
||
// Provider com tools falhou — tenta sem tools no próximo da chain
|
||
return (await this.callAI(agent, systemPrompt, inputMessages)).text;
|
||
}
|
||
throw err;
|
||
}
|
||
}
|
||
async executeTool(name, rawArgs, tools, toolCtx) {
|
||
const tool = tools.find(t => t.name === name);
|
||
if (!tool)
|
||
return { error: `Tool "${name}" não encontrada.` };
|
||
const args = typeof rawArgs === 'string' ? JSON.parse(rawArgs || '{}') : rawArgs;
|
||
try {
|
||
return await tool.execute(args, toolCtx);
|
||
}
|
||
catch (e) {
|
||
return { error: e.message };
|
||
}
|
||
}
|
||
// ── Telemetria helper para tool loops ─────────────────────────────────────
|
||
accumTelemetry(toolCtx, provider, model, incremental) {
|
||
if (!toolCtx._telemetry) {
|
||
toolCtx._telemetry = {
|
||
usage: { input: 0, output: 0, total: 0, cache_read: 0, cached: 0 },
|
||
provider, model, iterations: 0,
|
||
};
|
||
}
|
||
toolCtx._telemetry.iterations += 1;
|
||
toolCtx._telemetry.usage.input += incremental.input;
|
||
toolCtx._telemetry.usage.output += incremental.output;
|
||
toolCtx._telemetry.usage.total += incremental.input + incremental.output;
|
||
if (incremental.cache_read)
|
||
toolCtx._telemetry.usage.cache_read = (toolCtx._telemetry.usage.cache_read ?? 0) + incremental.cache_read;
|
||
if (incremental.cached)
|
||
toolCtx._telemetry.usage.cached = (toolCtx._telemetry.usage.cached ?? 0) + incremental.cached;
|
||
}
|
||
// ── OpenAI tool loop ───────────────────────────────────────────────────────
|
||
async openAIToolLoop(model, agent, cfg, systemPrompt, inputMessages, tools, toolCtx) {
|
||
const apiKey = cfg.openai_key ?? '';
|
||
if (!apiKey)
|
||
throw new Error('OpenAI API Key não configurada');
|
||
const oaiTools = tools.map(t => ({
|
||
type: 'function',
|
||
function: { name: t.name, description: t.description, parameters: t.parameters },
|
||
}));
|
||
let msgs = [...inputMessages];
|
||
const MAX_ITER = 5;
|
||
for (let i = 0; i < MAX_ITER; i++) {
|
||
const res = await fetch('https://api.openai.com/v1/chat/completions', {
|
||
method: 'POST',
|
||
headers: { 'Content-Type': 'application/json', Authorization: `Bearer ${apiKey}` },
|
||
signal: AbortSignal.timeout(25000),
|
||
body: JSON.stringify({
|
||
model,
|
||
temperature: agent.temperature ?? 0.7,
|
||
max_tokens: agent.max_tokens ?? 250,
|
||
messages: [{ role: 'system', content: systemPrompt }, ...msgs],
|
||
tools: oaiTools,
|
||
tool_choice: 'auto',
|
||
}),
|
||
});
|
||
const data = (await res.json());
|
||
if (!res.ok)
|
||
throw new Error(data.error?.message ?? `OpenAI ${res.status}`);
|
||
// Telemetria (M1.4)
|
||
this.accumTelemetry(toolCtx, 'openai', model, {
|
||
input: data.usage?.prompt_tokens ?? 0,
|
||
output: data.usage?.completion_tokens ?? 0,
|
||
cached: data.usage?.prompt_tokens_details?.cached_tokens ?? 0,
|
||
});
|
||
const choice = data.choices[0];
|
||
const assistantMsg = choice.message;
|
||
if (choice.finish_reason !== 'tool_calls' || !assistantMsg.tool_calls?.length) {
|
||
return (assistantMsg.content ?? '');
|
||
}
|
||
// Execute tools in parallel
|
||
msgs.push(assistantMsg);
|
||
const toolResults = await Promise.all(assistantMsg.tool_calls.map(async (tc) => {
|
||
const result = await this.executeTool(tc.function.name, tc.function.arguments, tools, toolCtx);
|
||
return { role: 'tool', tool_call_id: tc.id, content: JSON.stringify(result) };
|
||
}));
|
||
msgs.push(...toolResults);
|
||
}
|
||
throw new Error('Tool calling: limite de iterações atingido');
|
||
}
|
||
// ── Anthropic tool loop ────────────────────────────────────────────────────
|
||
async anthropicToolLoop(model, agent, cfg, systemPrompt, inputMessages, tools, toolCtx) {
|
||
const apiKey = cfg.anthropic_key ?? '';
|
||
if (!apiKey)
|
||
throw new Error('Anthropic API Key não configurada');
|
||
const anthropicTools = tools.map(t => ({
|
||
name: t.name, description: t.description, input_schema: t.parameters,
|
||
}));
|
||
let msgs = [...inputMessages];
|
||
const MAX_ITER = 5;
|
||
for (let i = 0; i < MAX_ITER; i++) {
|
||
const res = await fetch('https://api.anthropic.com/v1/messages', {
|
||
method: 'POST',
|
||
headers: {
|
||
'Content-Type': 'application/json',
|
||
'x-api-key': apiKey,
|
||
'anthropic-version': '2023-06-01',
|
||
},
|
||
signal: AbortSignal.timeout(25000),
|
||
body: JSON.stringify({
|
||
model, max_tokens: agent.max_tokens ?? 250, system: systemPrompt,
|
||
messages: msgs, tools: anthropicTools,
|
||
}),
|
||
});
|
||
const data = (await res.json());
|
||
if (!res.ok)
|
||
throw new Error(data.error?.message ?? `Anthropic ${res.status}`);
|
||
// Telemetria (M1.4)
|
||
this.accumTelemetry(toolCtx, 'anthropic', model, {
|
||
input: data.usage?.input_tokens ?? 0,
|
||
output: data.usage?.output_tokens ?? 0,
|
||
cache_read: data.usage?.cache_read_input_tokens ?? 0,
|
||
});
|
||
// Texto puro
|
||
if (data.stop_reason !== 'tool_use') {
|
||
const textBlock = data.content.find(b => b.type === 'text');
|
||
return (textBlock?.text ?? '');
|
||
}
|
||
// Tool calls
|
||
msgs.push({ role: 'assistant', content: data.content });
|
||
const toolResults = await Promise.all(data.content
|
||
.filter(b => b.type === 'tool_use')
|
||
.map(async (b) => {
|
||
const result = await this.executeTool(b.name, b.input, tools, toolCtx);
|
||
return { type: 'tool_result', tool_use_id: b.id, content: JSON.stringify(result) };
|
||
}));
|
||
msgs.push({ role: 'user', content: toolResults });
|
||
}
|
||
throw new Error('Tool calling (Anthropic): limite de iterações atingido');
|
||
}
|
||
// ── Gemini tool loop ───────────────────────────────────────────────────────
|
||
async geminiToolLoop(model, agent, cfg, systemPrompt, inputMessages, tools, toolCtx) {
|
||
const apiKey = cfg.gemini_key ?? '';
|
||
if (!apiKey)
|
||
throw new Error('Gemini API Key não configurada');
|
||
const geminiModel = model.startsWith('gemini') ? model : 'gemini-2.0-flash';
|
||
const url = `https://generativelanguage.googleapis.com/v1beta/models/${geminiModel}:generateContent?key=${apiKey}`;
|
||
const geminiTools = [{
|
||
functionDeclarations: tools.map(t => ({
|
||
name: t.name, description: t.description, parameters: t.parameters,
|
||
})),
|
||
}];
|
||
// Converte msgs para formato Gemini
|
||
let contents = inputMessages.map(m => ({
|
||
role: m.role === 'assistant' ? 'model' : 'user',
|
||
parts: [{ text: m.content }],
|
||
}));
|
||
const MAX_ITER = 5;
|
||
for (let i = 0; i < MAX_ITER; i++) {
|
||
const res = await fetch(url, {
|
||
method: 'POST',
|
||
headers: { 'Content-Type': 'application/json' },
|
||
signal: AbortSignal.timeout(25000),
|
||
body: JSON.stringify({
|
||
systemInstruction: { parts: [{ text: systemPrompt }] },
|
||
contents,
|
||
tools: geminiTools,
|
||
generationConfig: { temperature: agent.temperature ?? 0.7, maxOutputTokens: agent.max_tokens ?? 250 },
|
||
}),
|
||
});
|
||
const data = (await res.json());
|
||
if (!res.ok)
|
||
throw new Error(data.error?.message ?? `Gemini ${res.status}`);
|
||
// Telemetria (M1.4)
|
||
this.accumTelemetry(toolCtx, 'gemini', geminiModel, {
|
||
input: data.usageMetadata?.promptTokenCount ?? 0,
|
||
output: data.usageMetadata?.candidatesTokenCount ?? 0,
|
||
});
|
||
const candidate = data.candidates?.[0];
|
||
const parts = candidate?.content?.parts ?? [];
|
||
// Verifica se há function calls
|
||
const fnCalls = parts.filter(p => p.functionCall);
|
||
if (!fnCalls.length) {
|
||
const textPart = parts.find(p => p.text);
|
||
return (textPart?.text ?? '');
|
||
}
|
||
// Adiciona resposta do modelo ao histórico
|
||
contents.push({ role: 'model', parts });
|
||
// Executa tools e injeta resultados
|
||
const resultParts = await Promise.all(fnCalls.map(async (p) => {
|
||
const result = await this.executeTool(p.functionCall.name, p.functionCall.args ?? {}, tools, toolCtx);
|
||
return { functionResponse: { name: p.functionCall.name, response: result } };
|
||
}));
|
||
contents.push({ role: 'user', parts: resultParts });
|
||
}
|
||
throw new Error('Tool calling (Gemini): limite de iterações atingido');
|
||
}
|
||
// ── Utils ─────────────────────────────────────────────────────────────────
|
||
uuid() {
|
||
// Node 14.17+ tem crypto.randomUUID globalmente; fallback para Date-based
|
||
try {
|
||
return crypto.randomUUID();
|
||
}
|
||
catch {
|
||
return `${Date.now()}-${Math.random().toString(36).slice(2)}`;
|
||
}
|
||
}
|
||
}
|
||
exports.ProtocolEngine = ProtocolEngine;
|
||
//# sourceMappingURL=brain.js.map
|