RE:ply - Classificação de Emails com Gemini API

RE:ply é uma aplicação web que permite enviar emails ou textos de emails para classificação automática. O sistema identifica se o conteúdo do email é Produtivo ou Improdutivo e sugere uma resposta automática.

Requisitos do Sistema

Requisitos técnicos mínimos para rodar o projeto:

Backend

• Python 3.11+
• FastAPI
• Gemini API (google.generativeai)
• PyPDF / leitura de arquivos .pdf e .txt
• Uvicorn (rodar api localmente)

Frontend

• Node.js 20+
• Next.js 14+
• Axios para requisições à API
• Componentes UI para estilização (shadcn UI + acertenity UI)

Requisitos do Projeto

Critérios que foram implementados no projeto:

Backend

• Leitura e Processamento:
  • Script em Python que lê o conteúdo dos emails;
  • Técnicas de NLP (remoção de stop words, stemming/lemmatização, etc)
• Classificação e Resposta:
  • Algoritmo de classificação que categoriza o conteúdo em Produtivo ou Improdutivo
  • Gemini API
• Classificação:
  • Determina a categoria do email
• Geração de Resposta:
  • Sugere uma resposta automática adequada
• Integração com interface:
  • CORS permitindo a entrada das requisições

Frontend

• Formulário de Upload:
  • Permite o upload de arquivos em formato .txt ou .pdf ou a inserção direta de texto
  • Botão para enviar o email para processamento
• Exibição dos Resultados:
  • Mostra a categoria atribuída ao email (Produtivo ou Improdutivo)
  • Exibe a resposta automática (usuário consegue copiar)

Rodando a API localmente

1. Clone o repositório:

git clone https://github.com/gabriellefoliv/reply.git
cd reply/api

2. Crie e ative um ambiente virtual

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate  # Windows

3. Instale as dependências

pip install -r requirements.txt

4. Configure a variável de ambiente para a Gemini API

export GEMINI_API_KEY="sua_chave_aqui"  # Linux/Mac
set GEMINI_API_KEY="sua_chave_aqui"  # Windows

5. Rode o servidor local:

uvicorn app:app --reload --host 0.0.0.0 --port 8000

A API estará disponível em http://localhost:8000.

Endpoint da API

• POST /classify: Recebe um texto ou arquivo de email e retorna a classificação e uma resposta sugerida.

Corpo da requisição:

{
  "text": "Texto do email"
}

Corpo da resposta:

{
  "category": "Improdutivo",
  "suggested_reply": "Resposta sugerida pela IA",
  "tokens_estimate": 176,
  "model": "gemini-1.5-flash"
}

OBS: Uma rota adicional de /health foi adicionada na intenção de não deixar a API inativa, um monitor do Uptime Robot pinga o servidor de tempo em tempo.

Rodando o Frontend localmente

1. Navegue até o diretório do frontend:

cd ../frontend

2. Instale as dependências:

npm install

3. Configure a variável de ambiente para o endpoint da API

NEXT_PUBLIC_API_URL="http://localhost:8000"

4. Rode o servidor de desenvolvimento:

npm run dev

A aplicação estará disponível em http://localhost:3000.

Arquitetura do código

Backend

• /routes: Pasta onde está a rota principal da API de classificação.
• /schemas: Pasta onde estão as tipagens de Request e Response da rota.
• /services: Pasta onde estão as técnicas de NLP e função que atua no Gemini.
• /utils: Pasta onde estão as funções para extração dos textos de .txt e .pdf.
• app.py, config.py, Dockerfile e requirements.txt são arquivos de configuração geral

Frontend

• /src: Pasta onde está todo o código.
• /src/app: Pasta onde estão as páginas da aplicação.
• /src/components: Pasta onde estão os componentes UI que ajudaram a estilizar a aplicação.
• /src/lib: Pasta onde está a conexão com a API.

Obs: Adicionei arquivos de exemplo para testar no sistema, porém vocês podem testar com os seus próprios arquivos também.