app.py

import os
import gradio as gr
import threading
import time
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 DEL MODELO Y ENTRENAMIENTO ---
BASE_MODEL = "bigcode/santacoder"  # Modelo base de programación
LORA_PATH = "./lora_output"        # Ruta donde se guarda el modelo adaptado
DATASET_FILE = "codesearchnet_lora_dataset.json"   
MAX_TOKEN_LENGTH = 256             
NUM_SAMPLES_TO_PROCESS = 1000      
DEFAULT_EPOCHS = 10                

# Configuración del ciclo AUTÓNOMO (Inicia reentrenamiento cada 5 interacciones)
GENERATION_LIMIT_TO_TRAIN = 5 
AUTONOMOUS_EPOCHS = 3           

# Nueva configuración para manejo de modelos grandes
TEMP_OFFLOAD_FOLDER = "./temp_offload"

# --- ESTADO GLOBAL Y THREADING ---
tokenizer = None
lora_model = None
tokenized_dataset = None
lora_generator = None

# Variables de estado
version_number = 1.1 # Asumimos que el último entrenamiento llegó a V1.1
is_trained = os.path.exists(LORA_PATH) 
generations_since_last_train = 0
training_status_message = f"Modelo V{version_number:.1f} listo."

# Lock para proteger las variables compartidas entre hilos (CRÍTICO para estabilidad)
global_lock = threading.Lock() 

# --- LÓGICA DE PREPARACIÓN Y SETUP ---

def prepare_codesearchnet():
    """Descarga y prepara el dataset inicial si no existe."""
    if os.path.exists(DATASET_FILE):
        return
    try:
        raw_csn = load_dataset('Nan-Do/code-search-net-python', split=f'train[:{NUM_SAMPLES_TO_PROCESS}]')
        
        def format_for_lora(example):
            # Formato que entrena a la IA a enlazar descripción (español) con código (inglés)
            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)
    except Exception as e:
        print(f"Error al cargar dataset. Usando datos mínimos. 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)


def setup_resources():
    """Configura el tokenizer, el modelo base y el adaptador LoRA."""
    global tokenizer, lora_model, tokenized_dataset

    # Crear la carpeta de offload si no existe (CRÍTICO para el error actual)
    os.makedirs(TEMP_OFFLOAD_FOLDER, exist_ok=True) 

    prepare_codesearchnet()
    
    hf_token = os.environ.get("HF_TOKEN")
    if hf_token:
        login(token=hf_token)

    tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
    
    # Añadir safetensors=True y offload_folder
    base_model = AutoModelForCausalLM.from_pretrained(
        BASE_MODEL, 
        device_map="auto",
        offload_folder=TEMP_OFFLOAD_FOLDER, # SOLUCIÓN 1
        low_cpu_mem_usage=True, 
        trust_remote_code=True,
    ) 

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

    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)
    
    try:
        raw_dataset = load_dataset("json", data_files=DATASET_FILE)
        
        def tokenize_function(examples):
            return tokenizer(
                examples["prompt"] + examples["completion"],
                truncation=True,
                padding="max_length",
                max_length=MAX_TOKEN_LENGTH
            )

        tokenized_dataset = raw_dataset.map(tokenize_function, batched=True, remove_columns=raw_dataset["train"].column_names if "train" in raw_dataset else [],)
    except Exception:
        tokenized_dataset = None

# --- FUNCIÓN DE ENTRENAMIENTO (EJECUTADA EN HILO SEPARADO) ---

def autonomous_train_lora(epochs, batch_size, learning_rate):
    """Ejecuta el entrenamiento en un hilo separado para la autonomía."""
    global lora_model, tokenized_dataset, lora_generator, version_number, is_trained, training_status_message

    try:
        with global_lock:
            if tokenized_dataset is None or "train" not in tokenized_dataset:
                training_status_message = "ERROR: No se puede entrenar. Dataset no disponible."
                return
            
            # 1. ACTUALIZAR VERSIÓN (Pre-incremento)
            if is_trained:
                 version_number += 0.1
            else:
                 version_number = 1.0
                 
            # 2. CONFIGURACIÓN E INICIO DEL ENTRENAMIENTO
            training_status_message = f"🧠 ENTRENANDO V{version_number:.1f} (Epochs: {epochs})...."
            print(f"\n[AUTÓNOMO] {training_status_message}")
            
            data_collator = DataCollatorForLanguageModeling(tokenizer=tokenizer, mlm=False)
            training_args = TrainingArguments(
                output_dir=LORA_PATH,
                per_device_train_batch_size=int(batch_size),
                num_train_epochs=float(epochs),
                learning_rate=float(learning_rate),
                save_total_limit=1,
                logging_steps=10,
                push_to_hub=False,
                disable_tqdm=True, 
                report_to="none"
            )

            trainer = Trainer(model=lora_model, args=training_args, train_dataset=tokenized_dataset["train"], data_collator=data_collator)
            
            trainer.train()
            lora_model.save_pretrained(LORA_PATH) 
            tokenizer.save_pretrained(LORA_PATH) 
            
            # 3. Marcar como entrenado
            is_trained = True
            training_status_message = f"✅ ENTRENAMIENTO V{version_number:.1f} COMPLETADO. Modelo listo para Hot Swap."
            print(f"[AUTÓNOMO] {training_status_message}")

    except Exception as e:
        training_status_message = f"ERROR CRÍTICO durante el entrenamiento autónomo: {e}"
        print(f"[AUTÓNOMO] {training_status_message}")

# --- FUNCIÓN DE GENERACIÓN (CORREGIDA PARA HOT SWAP ESTABLE) ---

def generate_text(prompt_text):
    """Genera código y dispara el ciclo de reentrenamiento autónomo si es necesario."""
    global lora_generator, generations_since_last_train, is_trained, version_number, training_status_message

    if not is_trained:
        return "ERROR: El modelo LoRA no ha sido entrenado. Por favor, espere mientras la IA se inicializa con el entrenamiento V1.0.", update_status()


    # 1. HOT SWAP (Verifica si el modelo necesita recargarse con la nueva versión)
    if lora_generator is None:
        with global_lock:
            try:
                # SOLUCIÓN CLAVE: Reintroducir offload_folder y low_cpu_mem_usage aquí también.
                base_model_gen = AutoModelForCausalLM.from_pretrained(
                    BASE_MODEL, 
                    device_map="auto", 
                    offload_folder=TEMP_OFFLOAD_FOLDER, # SOLUCIÓN 2
                    low_cpu_mem_usage=True,
                    trust_remote_code=True,
                )
                model_with_lora = PeftModel.from_pretrained(base_model_gen, LORA_PATH)
                final_model = model_with_lora.merge_and_unload()
                final_model.eval() 
                lora_generator = pipeline("text-generation", model=final_model, tokenizer=tokenizer)
                print(f"[HOT SWAP] 🔄 Modelo de inferencia V{version_number:.1f} recargado y listo.")
            except Exception as e:
                # Si la recarga falla, retorna un error
                return f"Error al cargar el modelo V{version_number:.1f} para inferencia: {e}", update_status()


    # 2. Generación de texto (Lógica de inferencia)
    try:
        # Prepara el prompt para guiar la generación del código
        prompt_with_indent = prompt_text.strip() + "\n    "
        output = lora_generator(prompt_with_indent, max_new_tokens=150, temperature=0.7, top_p=0.9, clean_up_tokenization_spaces=True)
        full_output = output[0]["generated_text"]
        
        # Extrae solo la parte de la compleción (el código generado)
        start_index = full_output.find(prompt_with_indent)
        completion = full_output[start_index + len(prompt_with_indent):] if start_index != -1 else full_output
        
        # 3. Aumentar contador de autonomía
        with global_lock:
            generations_since_last_train += 1
            current_count = generations_since_last_train
            current_version = version_number

        # 4. Verificar si se requiere reentrenamiento (y dispararlo en un nuevo hilo)
        notification = ""
        if current_count >= GENERATION_LIMIT_TO_TRAIN:
            # Verifica que no haya otro hilo de entrenamiento ya corriendo
            if not any(isinstance(t, threading.Thread) and t.name == 'AutonomousTrainer' for t in threading.enumerate()):
                print(f"[AUTONOMÍA] Generación #{current_count} alcanzada. Disparando reentrenamiento autónomo en segundo plano...")
                
                # Reiniciar el contador de generaciones y forzar Hot Swap en la próxima interacción
                with global_lock:
                    generations_since_last_train = 0
                    lora_generator = None 
                    
                trainer_thread = threading.Thread(
                    target=autonomous_train_lora, 
                    args=(AUTONOMOUS_EPOCHS, 2, 5e-5), 
                    name='AutonomousTrainer'
                )
                trainer_thread.daemon = True
                trainer_thread.start()
                
                notification = f"\n\n--- [AUTONOMÍA] La IA ha iniciado el reentrenamiento V{current_version+0.1:.1f} para mejorar la traducción de tu diálogo. La próxima generación cargará la nueva versión. ---"
            
        # Retorna el código Y el estado actualizado
        return completion + notification, update_status()

    except Exception as e:
        # Si falla la generación, retorna el mensaje de error y el estado actual
        return f"Error generando texto: {e}", update_status()

# --- FUNCIÓN PARA INICIALIZACIÓN Y ENTRENAMIENTO V1.0 (Obligatorio) ---

def initialize_and_train_v1():
    """Ejecuta el entrenamiento inicial V1.0 de forma autónoma al iniciar."""
    global version_number, is_trained, training_status_message
    if not is_trained:
        autonomous_train_lora(epochs=DEFAULT_EPOCHS, batch_size=2, learning_rate=5e-5)
    else:
        # Si ya está entrenado, actualiza la versión y el mensaje
        training_status_message = f"✅ Modelo V{version_number:.1f} ya entrenado. Listo."
        print(f"[INICIALIZACIÓN] {training_status_message}")

# --- FUNCIÓN PARA ACTUALIZAR EL ESTADO EN LA UI ---

def update_status():
    """Actualiza la versión y el estado del entrenamiento en la interfaz de Gradio."""
    global training_status_message, version_number
    # Retorna un texto en Markdown que se actualiza constantemente
    return f"**Versión de Comprensión:** V{version_number:.1f} | **Estado del Entrenador:** {training_status_message}"


# --- INTERFAZ GRADIO ---
with gr.Blocks(title="AmorCoderAI - Aprendizaje Continuo") as demo:
    gr.Markdown("# 💙 AmorCoderAI - Asistente de Código con Aprendizaje Continuo")
    
    # Muestra la versión y el estado.
    version_and_status = gr.Markdown(
        f"**Versión de Comprensión:** V{version_number:.1f} | **Estado del Entrenador:** {training_status_message}",
        elem_id="status_display"
    )

    gr.Markdown(f"**Modo Autónomo:** La IA se reentrena automáticamente cada **{GENERATION_LIMIT_TO_TRAIN}** códigos generados. Esto mejora su capacidad para traducir tu español conversacional a código.")

    with gr.Tab("✨ Generación de Código"):
        gr.Markdown("## Escribe tu idea en palabras (¡Usa español fluido!)")
        
        gr.Markdown("Recomendación inicial: Usa el siguiente formato para obtener el mejor código mientras la IA aprende tu idioma:")
        
        prompt = gr.Textbox(
            label="Instrucción de Programación:", 
            lines=4,
            placeholder="# Descripción: Quiero que me hagas un código similar a Google Gemini.\n# Completa la siguiente función:\ndef generar_contenido(prompt, modelo):"
        )
        generate_button = gr.Button("💬 Generar código y disparar Aprendizaje")
        output_box = gr.Textbox(label="Código generado", lines=10)
        
        # Conexión del botón con la función principal
        generate_button.click(
            generate_text, 
            inputs=prompt, 
            outputs=[output_box, version_and_status], 
        )

    # El estado se actualiza solo al cargar la página.
    demo.load(update_status, None, version_and_status)


# --- INICIO DE LA APLICACIÓN ---
if __name__ == "__main__":
    setup_resources()
    
    # Lanza el entrenamiento V1.0 inicial en un hilo para que no congele la UI
    initialization_thread = threading.Thread(target=initialize_and_train_v1, name='InitializationTrainer')
    initialization_thread.daemon = True
    initialization_thread.start()
        
    print(f"\n💻 LANZANDO INTERFAZ GRADIO (El entrenamiento V1.0/V1.1 se ejecuta en segundo plano)")
    demo.launch()