♻️ refactor: Reogranizando e ajustando o orquestrador do sistema. Também suas funcionalidades foram comentadas para futuras manutenções.

app/api/routes.py

@@ -1,9 +1,9 @@
 from fastapi import APIRouter
 from app.api.schemas import ChatRequest, ChatResponse
-from app.services.orchestrator_service import OrchestratorService
+from app.services.orquestrador_service import OrquestradorService
 
 router = APIRouter()
-service = OrchestratorService()
+service = OrquestradorService()
 
 @router.post("/chat", response_model=ChatResponse)
 async def chat(request: ChatRequest):

app/services/orchestrator_service.py

@@ -1,10 +0,0 @@
-class OrchestratorService:
-
-    async def handle_message(self, message: str, user_id: str) -> str:
-        # Aqui futuramente:
-        # - chamada ao Gemini
-        # - verificação de intenção
-        # - chamada de tools
-        # - integração com banco
-        
-        return f"Mensagem recebida do usuário {user_id}: {message}"

app/services/orquestrador_service.py

@@ -0,0 +1,46 @@
+from app.services.llm_service import LLMService
+from app.services.tool_registry import ToolRegistry
+
+
+class OrquestradorService:
+
+    def __init__(self):
+        self.llm = LLMService() # Instancia o serviço que conversa com o Gemini
+        self.registry = ToolRegistry() # Instancia o registro de tools disponíveis no sistema
+
+
+    """
+    Método principal chamado quando o usuário envia uma mensagem.
+
+    Parâmetros:
+    - message: texto enviado pelo usuário
+    - user_id: identificador do usuário (ainda não está sendo usado aqui,
+    mas futuramente servirá para histórico)
+    """
+    async def handle_message(self, message: str, user_id: str) -> str:
+
+        tools = self.registry.get_tools()
+
+        llm_result = await self.llm.generate_response(
+            message=message,
+            tools=tools
+        )
+
+        if llm_result["tool_call"]:
+
+            tool_name = llm_result["tool_call"]["name"] # Nome da função que o Gemini quer executar
+            arguments = llm_result["tool_call"]["arguments"] # Argumentos extraídos da mensagem do usuário
+
+            tool_result = await self.registry.execute(tool_name, arguments)
+
+            # Segunda rodada para formatar resposta
+            final_response = await self.llm.generate_response(
+                message=f"Resultado da função {tool_name}: {tool_result}",
+                tools=tools
+            )
+
+            return final_response["response"]
+
+        # Se o modelo não chamou nenhuma tool,
+        # significa que ele respondeu diretamente em texto.
+        return llm_result["response"]