Integração de Chatbot usando Langchain e WhatsApp via WAHA

🚀 Visão Geral

Este projeto consiste em um chatbot integrado ao WhatsApp, desenvolvido com Flask, que utiliza a biblioteca Langchain e a API do WAHA. O objetivo do chatbot é fornecer informações nutricionais detalhadas sobre alimentos, como carboidratos, proteínas, gorduras e calorias, aproveitando a Google Generative AI.

🎯 Objetivo do Projeto

A ideia surgiu a partir de um estudo de caso apresentado pela PyCodeBr sobre LLMs e AI. Então tive a ideia de desenvolver um chatBot pudesse responder a perguntas sobre a composição nutricional de alimentos de maneira acessível e rápida. A implementação foi realizada utilizando a API do WAHA para permitir interações via WhatsApp.

💡 Funcionalidades

• Respostas Automáticas: O chatbot responde automaticamente a consultas sobre alimentos.
• Informações Nutricionais: Fornece dados sobre carboidratos, proteínas, gorduras, fibras e calorias.
• Tratamento de Saudações: Responde a saudações de maneira amigável, incentivando perguntas sobre alimentos.
• Tratamento de Erros: Responde a perguntas fora do escopo com uma mensagem adequada.

📦 Instalação

1. Instalação do WAHA

   Você Precisa ter uma instancia do WAHA rodando localmente na sua maquina na porta 3000 para o funcionamento do projeto e consumo de todos os endpoints.

   docker run -it -p 3000:3000/tcp devlikeapro/waha

2. Clone o repositório:

   git clone https://github.com/iiiiiuri/LLM-Nutricional.git
   cd <nome do diretório>

3. Instale as dependências necessárias:

    pip install -r requirements.txt

4. Crie um arquivo .env na raiz do projeto e adicione sua chave de API do Google, gerada em https://ai.google.dev/ .

   GOOGLE_API= Sua_Chave_Aqui

🛠️ Como Usar

1. Inicie o servidor Flask:

   python app.py

2. O servidor irá escutar na porta 5000 e responder a mensagens enviadas para o webhook configurado.

3. Envie uma mensagem para o número do WhatsApp associado à API do WAHA para interagir com o chatbot.

⚙️ Estrutura do Código

O código principal do projeto é estruturado da seguinte forma:

Flask: Utilizado para criar o servidor e gerenciar as rotas.

Langchain: Usado para gerar respostas baseadas em prompts.

Google Generative AI: Integração com o modelo Gemini para gerar informações nutricionais.

Sinta-se à vontade para personalizar qualquer parte do texto ou adicionar mais detalhes conforme necessário!! :D