Aplicação de chat que combina um backend FastAPI com persistência em SQLite e uma interface web estática para conversar com um modelo de linguagem (local via LM Studio ou remoto via OpenAI). Este documento detalha a arquitetura, dependências e fluxos de uso/manutenção do projeto.

• Backend (backend/) expõe APIs REST para criar conversas, registrar mensagens e acionar a LLM configurada em backend/llm.py.
• Frontend (static/) é hospedado pelo próprio FastAPI via StaticFiles e fornece a experiência de chat single-page (chat.html, chat.js, chat.css).
• Banco (backend/database/chatbot.db) guarda conversas/mensagens em SQLite, inicializado automaticamente no ciclo de vida do FastAPI (lifespan em backend/main.py).
• LLM pode ser atendida localmente (por padrão) usando LM Studio exposto por ngrok, ou remotamente alterando a flag usar_llm_local.

Navegador ── HTTP ── FastAPI (`backend/main.py`) ── SQLite
                                 │
                                 └── `enviarMensagemLLM()` → OpenAI API (local/remoto)

ChatbotIA/
├─ backend/
│  ├─ main.py               # API FastAPI, rotas e ciclo de vida
│  ├─ llm.py                # Cliente OpenAI (local/remoto)
│  └─ database/
│     ├─ builddb.py         # Criação de tabelas
│     └─ chatbot.db         # Banco SQLite (gerado)
├─ static/
│  ├─ index.html            # Landing page com redirecionamento
│  ├─ chat.html             # Interface principal
│  ├─ chat.css              # Estilos
│  └─ chat.js               # Lógica do cliente (fetch/DOM)
└─ venv/                    # Ambiente virtual Python (opcional)

• Python 3.11+ (o projeto usa venv, disponível na pasta venv/).
• Pip para instalar dependências (fastapi, openai, etc.).
• LM Studio (opcional) com endpoint HTTP exposto, caso deseje rodar a LLM localmente.

1. Clonar/instalar dependências

   python -m venv venv
   venv\Scripts\activate            # Windows
   pip install fastapi[standart] openai sqlite-utils

   (Se já estiver usando o venv/ existente, apenas ative-o.)

2. Configurar a LLM (backend/llm.py)

   • usar_llm_local = True: usa LM Studio via base_url + API key "lm-studio".
   • usar_llm_local = False: habilita o cliente oficial OpenAI (preencha api_key).
   • Ajuste modelo conforme o endpoint escolhido (openai/gpt-oss-20b, gpt-4o, etc.).

3. Subir o backend

   fastapi dev backend/main.py

   O FastAPI faz:

   • Montagem automática de /static → arquivos web.
   • Criação do banco (create_tables()) antes de aceitar requisições.

4. Acessar

   • http://localhost:8000/ mostra a landing page.
   • http://localhost:8000/chat abre o chat principal.

• static/index.html captura uma mensagem inicial e redireciona para /chat?msg=....
• static/chat.js:
  • Busca conversas existentes em /conversas.
  • Cria conversas novas (POST /conversas) e, se necessário, faz isso automaticamente quando o usuário envia a primeira mensagem.
  • Envia mensagens (POST /conversas/{id}/mensagens) e renderiza tanto o usuário quanto a IA (com suporte a Markdown via marked.js).
  • Permite excluir conversas (DELETE /conversas/{id}) ou resetar o banco (DELETE /api/db).

enviarMensagem() recorta o histórico mais recente até 4.000 caracteres, adiciona um prompt de sistema e envia ao modelo via enviarMensagemLLM().

Tabela conversas

• conversa_id (PK autoincrement)
• titulo
• data_criacao (ISO string)

Tabela mensagens

• mensagem_id (PK autoincrement)
• conversa_id (FK → conversas, ON DELETE CASCADE)
• remetente (Usuario ou IA)
• conteudo
• timestamp (ISO string)

backend/database/builddb.py é chamado tanto no startup do FastAPI quanto no endpoint DELETE /api/db, garantindo idempotência.