Update app.py

app.py

@@ -1,4 +1,5 @@
 import os
+import uuid
 import gradio as gr
 from langchain_openai import ChatOpenAI
 from langchain_community.vectorstores import Qdrant
@@ -10,16 +11,14 @@ from langchain.chains.combine_documents import create_stuff_documents_chain
 from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
 from langchain_community.chat_message_histories import ChatMessageHistory
 from langchain_core.runnables.history import RunnableWithMessageHistory
-from dotenv import load_dotenv
-load_dotenv()
-
 
+# --- 1. CONFIGURACIÓN Y VARIABLES DE ENTORNO ---
 QDRANT_URL = os.getenv("QDRANT_URL")
 QDRANT_API_KEY = os.getenv("QDRANT_API_KEY")
 OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
 COLLECTION_NAME = "dgt_documents_qdrant_memory_filter_fixed_2"
 
-
+# Categorías disponibles
 OPCIONES_CATEGORIAS = [
     "Todas",
     "Documentos de la SUMA",
@@ -33,22 +32,21 @@ OPCIONES_CATEGORIAS = [
 # Cliente Qdrant
 client = QdrantClient(url=QDRANT_URL, api_key=QDRANT_API_KEY)
 
-# Embeddings (Mismo modelo que usaste para subir los datos)
-# IMPORTANTE: device='cpu' para que funcione en el plan gratuito de HF
+# Embeddings (CPU para Hugging Face Free Tier)
 embeddings_model = HuggingFaceEmbeddings(
     model_name="intfloat/e5-large-v2",
     model_kwargs={'device': 'cpu'}, 
     encode_kwargs={'normalize_embeddings': False}
 )
 
-# LLM (Modelo de chat)
+# LLM
 llm_openai = ChatOpenAI(
-    model="gpt-4o-mini", # Corregido a un modelo válido y económico
+    model="gpt-4o-mini", 
     temperature=0.1,
     api_key=OPENAI_API_KEY
 )
 
-# Conexión a la VectorDB (Solo lectura)
+# Conexión a la VectorDB
 vectordb = Qdrant(
     client=client,
     collection_name=COLLECTION_NAME,
@@ -56,7 +54,7 @@ vectordb = Qdrant(
     content_payload_key="content"
 )
 
-# --- 3. PROMPTS Y CADENAS ---
+# --- 3. PROMPTS ---
 
 contextualize_q_system_prompt = """Dado un historial de chat y la última pregunta del usuario \
 que podría hacer referencia al contexto en el historial de chat, formula una pregunta independiente \
@@ -74,7 +72,7 @@ contextualize_q_prompt = ChatPromptTemplate.from_messages(
 qa_system_prompt = """Eres un asistente especializado en los documentos sobre la Sociedad Musical de Alberic (SUMA). \
 Utiliza los siguientes fragmentos de contexto recuperado para responder a la pregunta. \
 Si no sabes la respuesta, di que no lo sabes. \
-Menciona siempre de qué documentos has extraído la información (usando el metadato 'source' si es posible). \
+Menciona siempre de qué documentos has extraído la información (usando el metadato 'source'). \
 Profundiza en la respuesta.
 
 Contexto:
@@ -88,7 +86,7 @@ qa_prompt = ChatPromptTemplate.from_messages(
     ]
 )
 
-# --- 4. GESTIÓN DE MEMORIA ---
+# --- 4. GESTIÓN DE MEMORIA EN RAM ---
 store = {}
 
 def get_session_history(session_id: str):
@@ -96,7 +94,7 @@ def get_session_history(session_id: str):
         store[session_id] = ChatMessageHistory()
     return store[session_id]
 
-# --- 5. LÓGICA DEL CHAT CON FILTROS ---
+# --- 5. LÓGICA DEL CHAT ---
 
 def build_qdrant_filter(category_name):
     if not category_name or category_name == "Todas":
@@ -110,10 +108,11 @@ def build_qdrant_filter(category_name):
         ]
     )
 
-def chat_logic(message, history, selected_category):
-    # Identificador de sesión (en demo simple usamos uno fijo o aleatorio simple)
-    session_id = "usuario_web"
-    
+def chat_logic(message, history, selected_category, session_id):
+    # Seguridad: Si por error session_id viene vacío, generamos uno temporal
+    if not session_id:
+        session_id = str(uuid.uuid4())
+
     # 1. Construir filtro
     qdrant_filter = build_qdrant_filter(selected_category)
     
@@ -125,7 +124,7 @@ def chat_logic(message, history, selected_category):
         }
     )
 
-    # 3. Cadenas
+    # 3. Cadenas LangChain
     history_aware_retriever = create_history_aware_retriever(
         llm_openai, dynamic_retriever, contextualize_q_prompt
     )
@@ -140,7 +139,7 @@ def chat_logic(message, history, selected_category):
         output_messages_key="answer",
     )
 
-    # 4. Generar respuesta (Streaming)
+    # 4. Generar respuesta streaming usando el ID único del usuario
     full_response = ""
     for chunk in conversational_rag_chain.stream(
         {"input": message},
@@ -150,9 +149,8 @@ def chat_logic(message, history, selected_category):
             full_response += chunk["answer"]
             yield full_response
 
-# --- 6. INTERFAZ GRADIO ---
+# --- 6. INTERFAZ GRÁFICA ---
 
-# CSS personalizado para ocultar el footer y ajustar estilo
 custom_css = """
 footer {visibility: hidden}
 .gradio-container {background-color: #f9fafb}
@@ -162,10 +160,12 @@ tema_musical = gr.themes.Soft(primary_hue="indigo", secondary_hue="slate")
 
 with gr.Blocks(theme=tema_musical, css=custom_css, title="Chatbot SUMA") as demo:
     
+    # ESTADO: Genera un ID único cada vez que se carga la página
+    session_state = gr.State(lambda: str(uuid.uuid4()))
+    
     gr.Markdown("# 🎵 Asistente Virtual SUMA")
     gr.Markdown("Pregunta sobre normativas, manuales y documentos internos.")
 
-    # Dropdown de filtro
     filtro_dropdown = gr.Dropdown(
         choices=OPCIONES_CATEGORIAS,
         value="Todas", 
@@ -173,10 +173,10 @@ with gr.Blocks(theme=tema_musical, css=custom_css, title="Chatbot SUMA") as demo
         info="Acota la búsqueda a un tipo de documento específico."
     )
 
-    # Chat Interface
     chat_interface = gr.ChatInterface(
         fn=chat_logic,
-        additional_inputs=[filtro_dropdown],
+        # 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?"], 
             ["Resumen del manual de procedimientos"],