Update app.py

app.py

@@ -2,16 +2,18 @@ import os
 import uuid
 import gradio as gr
 from langchain_openai import ChatOpenAI
+# Mantenemos langchain_community como pediste (versiones legacy)
 from langchain_community.vectorstores import Qdrant
-# CAMBIO: Usar la librería dedicada langchain-huggingface
 from langchain_community.embeddings import HuggingFaceEmbeddings
+from langchain_community.chat_message_histories import ChatMessageHistory
+# Clientes y Modelos
 from qdrant_client import QdrantClient, models
 from qdrant_client.http import models as rest_models
-from langchain.chains.history_aware_retriever import create_history_aware_retriever
-from langchain.chains.retrieval import create_retrieval_chain
+# Cadenas (Importación consolidada para evitar errores de ruta)
+from langchain.chains import create_history_aware_retriever, create_retrieval_chain
 from langchain.chains.combine_documents import create_stuff_documents_chain
+# Core
 from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
-from langchain_community.chat_message_histories import ChatMessageHistory
 from langchain_core.runnables.history import RunnableWithMessageHistory
 
 # --- 1. CONFIGURACIÓN Y VARIABLES DE ENTORNO ---
@@ -34,7 +36,7 @@ OPCIONES_CATEGORIAS = [
 # Cliente Qdrant
 client = QdrantClient(url=QDRANT_URL, api_key=QDRANT_API_KEY)
 
-# Embeddings (Actualizado para usar langchain_huggingface)
+# Embeddings (Usando langchain_community antiguo)
 embeddings_model = HuggingFaceEmbeddings(
     model_name="intfloat/e5-large-v2",
     model_kwargs={'device': 'cpu'}, 
@@ -48,7 +50,7 @@ llm_openai = ChatOpenAI(
     api_key=OPENAI_API_KEY
 )
 
-# Conexión a la VectorDB (Actualizado a QdrantVectorStore)
+# Conexión a la VectorDB (Wrapper antiguo Qdrant)
 vectordb = Qdrant(
     client=client,
     collection_name=COLLECTION_NAME,
@@ -76,7 +78,6 @@ Utiliza los siguientes fragmentos de contexto recuperado para responder a la pre
 Si no sabes la respuesta, di que no lo sabes. \
 Menciona siempre de qué documentos has extraído la información (usando el metadato 'source'). \
 Profundiza en la respuesta.
-
 Contexto:
 {context}"""
 
@@ -143,7 +144,6 @@ def chat_logic(message, history, selected_category, session_id):
 
     # 4. Generar respuesta streaming usando el ID único del usuario
     full_response = ""
-    # En versiones nuevas, a veces history devuelve objetos, aseguramos manejo de errores básico
     try:
         for chunk in conversational_rag_chain.stream(
             {"input": message},
@@ -181,7 +181,6 @@ with gr.Blocks(theme=tema_musical, css=custom_css, title="Chatbot SUMA") as demo
 
     chat_interface = gr.ChatInterface(
         fn=chat_logic,
-        # Pasamos el session_state (el ID oculto) a la función lógica
         additional_inputs=[filtro_dropdown, session_state],
         examples=[
             ["¿Cuáles son los requisitos para ser socio?"],