app.py

import os
import gradio as gr
from huggingface_hub import login
from datasets import load_dataset
from transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments, DataCollatorForLanguageModeling, pipeline
from peft import get_peft_model, LoraConfig, TaskType, PeftModel
import json

# ============================================================
# ⚙️ CONFIGURACIÓN GLOBAL
# ============================================================
# Modelo base para generación de código
BASE_MODEL = "bigcode/santacoder"  
LORA_PATH = "./lora_output"        # Directorio para guardar los adaptadores LoRA

# Nombre del archivo donde se guardará el dataset procesado
DATASET_FILE = "codesearchnet_lora_dataset.json"   
MAX_TOKEN_LENGTH = 256             # Longitud de secuencia uniforme
# Usamos un número manejable (5000) para entornos limitados como un móvil/Spaces
NUM_SAMPLES_TO_PROCESS = 5000      
DEFAULT_EPOCHS = 5 # <--- ¡ENTRENAMIENTO PROFUNDO!

# Variables globales
tokenizer = None
lora_model = None
tokenized_dataset = None
lora_generator = None

# ============================================================
# 🚨 LÓGICA DE PRE-PROCESAMIENTO DE DATOS (INTEGRADA) 🚨
# ============================================================
def prepare_codesearchnet():
    """Descarga, procesa y guarda el dataset CodeSearchNet si no existe."""
    if os.path.exists(DATASET_FILE):
        print(f"✅ Dataset '{DATASET_FILE}' ya existe. Cargando directamente.")
        return

    print(f"🔄 Dataset no encontrado. Iniciando descarga y pre-procesamiento de CodeSearchNet ({NUM_SAMPLES_TO_PROCESS} muestras)...")
    
    try:
        raw_csn = load_dataset('Nan-Do/code-search-net-python', split=f'train[:{NUM_SAMPLES_TO_PROCESS}]')

        def format_for_lora(example):
            prompt_text = (
                f"# Descripción: {example['docstring_summary']}\n"
                f"# Completa la siguiente función:\n"
                f"def {example['func_name']}("
            )
            completion_text = example['code']
            
            return {
                "prompt": prompt_text,
                "completion": completion_text
            }

        lora_dataset = raw_csn.map(
            format_for_lora, 
            batched=False, 
            remove_columns=raw_csn["train"].column_names,
        )

        lora_dataset.to_json(DATASET_FILE)
        print(f"✅ Pre-procesamiento completado. {NUM_SAMPLES_TO_PROCESS} ejemplos guardados en '{DATASET_FILE}'.")

    except Exception as e:
        print(f"❌ Error CRÍTICO al descargar/procesar CodeSearchNet. Error: {e}")
        minimal_dataset = [{"prompt": "# Error de carga. Intenta de nuevo.", "completion": "pass\n"}] * 10
        with open(DATASET_FILE, 'w') as f:
            json.dump(minimal_dataset, f)

# ============================================================
# 🔐 AUTENTICACIÓN Y PRE-CARGA DE RECURSOS (SINGLETON)
# ============================================================

def setup_resources():
    """Carga y configura todos los recursos (modelo, tokenizer, dataset) una sola vez."""
    global tokenizer, lora_model, tokenized_dataset

    # 🛑 1. PREPARA EL DATASET DE CODESEARCHNET ANTES DE INTENTAR CARGARLO
    prepare_codesearchnet()
    
    # 2. Autenticación con Hugging Face
    hf_token = os.environ.get("HF_TOKEN")
    if hf_token:
        login(token=hf_token)

    # 3. Carga del Tokenizer y Modelo Base
    print("\n🔄 Cargando modelo y tokenizer una sola vez...")
    tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
    base_model = AutoModelForCausalLM.from_pretrained(BASE_MODEL, device_map="auto") 

    if tokenizer.pad_token is None:
        tokenizer.pad_token = tokenizer.eos_token

    # 4. Configuración y Aplicación LoRA (PEFT)
    peft_config = LoraConfig(
        task_type=TaskType.CAUSAL_LM,
        r=8,
        lora_alpha=32,
        lora_dropout=0.1,
        target_modules=["c_proj", "c_attn"], 
    )
    lora_model = get_peft_model(base_model, peft_config)
    print(f"✅ Modelo LoRA preparado. Parámetr