Update app.py

app.py

@@ -1,18 +1,33 @@
 import gradio as gr
 from transformers import pipeline
 
-# Carrega o modelo na CPU
 pipe = pipeline("text-generation", model="Qwen/Qwen2.5-0.5B-Instruct", device_map="cpu")
 
-def predict(message, history):
-    messages = [{"role": "user", "content": message}]
-    # Gera a resposta
-    results = pipe(messages, max_new_tokens=512)
-    # Retorna apenas o texto da resposta
+# Dê nomes descritivos e tipos claros. O MCP usa isso para o agente "entender" a ferramenta.
+def generate_story_or_chat(prompt: str, history: list):
+    """
+    Use esta função para conversar com o assistente Qwen ou gerar textos criativos.
+    
+    Parameters:
+    - prompt: A mensagem atual ou pedido do usuário.
+    - history: O contexto da conversa anterior.
+    """
+    # (Mesma lógica de memória que corrigimos antes)
+    messages_formatted = []
+    for user_msg, bot_msg in history:
+        messages_formatted.append({"role": "user", "content": user_msg})
+        messages_formatted.append({"role": "assistant", "content": bot_msg})
+    messages_formatted.append({"role": "user", "content": prompt})
+    
+    results = pipe(messages_formatted, max_new_tokens=512)
     return results[0]['generated_text'][-1]['content']
 
-# O segredo está aqui: Definimos o nome do endpoint como "chat"
-demo = gr.ChatInterface(fn=predict).queue()
+# A interface define como o MCP vai enxergar isso
+demo = gr.ChatInterface(
+    fn=generate_story_or_chat,
+    title="Qwen Agent Node",
+    description="Um endpoint MCP para geração de texto e chat usando Qwen 2.5."
+)
 
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch()