Update app.py

app.py

@@ -1,225 +1,225 @@
-# app.py
-import gradio as gr
-import pandas as pd
-import PyPDF2
-import requests
-import io
-import json
-import os # Para manejar variables de entorno si fuera necesario en un entorno real
-
-# Variable global para almacenar el texto extraído de la base de conocimientos
-# Se vacía cada vez que se carga un nuevo archivo.
-knowledge_base_text = ""
-
-# Longitud máxima del contexto que se pasará al modelo de lenguaje.
-# Los modelos de lenguaje tienen límites en la cantidad de texto que pueden procesar.
-# Si la base de conocimientos es muy grande, se truncará.
-MAX_CONTEXT_LENGTH = 8000 # Caracteres
-
-def load_knowledge_base(file):
-    """
-    Carga un archivo (CSV, XLSX, PDF) y extrae su contenido de texto para usarlo
-    como base de conocimientos.
-
-    Args:
-        file: Un objeto de archivo de Gradio (gr.File), que contiene la ruta temporal del archivo subido.
-
-    Returns:
-        str: Un mensaje de estado indicando si la carga fue exitosa o si hubo un error.
-    """
-    global knowledge_base_text
-    knowledge_base_text = "" # Limpiar la base de conocimientos anterior al cargar una nueva
-
-    if file is None:
-        return "Por favor, sube un archivo para la base de conocimientos."
-
-    file_path = file.name # La ruta temporal del archivo subido por Gradio
-    file_extension = file_path.split('.')[-1].lower()
-
-    try:
-        if file_extension == 'csv':
-            # Leer archivos CSV usando pandas
-            df = pd.read_csv(file_path)
-            knowledge_base_text = df.to_string(index=False) # Convertir DataFrame a cadena de texto
-        elif file_extension == 'xlsx':
-            # Leer archivos XLSX usando pandas (requiere openpyxl)
-            df = pd.read_excel(file_path)
-            knowledge_base_text = df.to_string(index=False) # Convertir DataFrame a cadena de texto
-        elif file_extension == 'pdf':
-            # Leer archivos PDF usando PyPDF2
-            with open(file_path, 'rb') as f:
-                reader = PyPDF2.PdfReader(f)
-                for page_num in range(len(reader.pages)):
-                    page = reader.pages[page_num]
-                    # Extraer texto de cada página y añadirlo a la base de conocimientos
-                    knowledge_base_text += page.extract_text() + "\n"
-        else:
-            return "Formato de archivo no soportado. Por favor, sube un archivo .csv, .xlsx o .pdf."
-
-        # Truncar la base de conocimientos si excede la longitud máxima del contexto
-        if len(knowledge_base_text) > MAX_CONTEXT_LENGTH:
-            knowledge_base_text = knowledge_base_text[:MAX_CONTEXT_LENGTH] + "\n... [Contenido truncado debido a la longitud máxima del contexto]"
-            return f"Base de conocimientos cargada exitosamente (truncada a {MAX_CONTEXT_LENGTH} caracteres). ¡Ahora puedes chatear!"
-        else:
-            return "Base de conocimientos cargada exitosamente. ¡Ahora puedes chatear!"
-
-    except Exception as e:
-        knowledge_base_text = "" # Limpiar la base de conocimientos en caso de error
-        return f"Error al cargar la base de conocimientos: {e}. Asegúrate de que el archivo no esté corrupto o vacío."
-
-def get_llm_response(prompt_text, context_text, personality_setting):
-    """
-    Genera una respuesta utilizando la API de Gemini, incorporando el contexto
-    de la base de conocimientos y la personalidad seleccionada.
-
-    Args:
-        prompt_text (str): La pregunta del usuario.
-        context_text (str): El texto de la base de conocimientos que se usará como contexto.
-        personality_setting (str): La personalidad deseada para el bot (e.g., "amigable", "formal").
-
-    Returns:
-        str: La respuesta generada por el modelo de lenguaje, o un mensaje de error.
-    """
-    # Construir la instrucción del sistema para guiar el comportamiento del LLM
-    system_instruction = (
-        f"Eres un asistente de IA con una personalidad {personality_setting}. "
-        "Responde a las preguntas de manera útil y concisa, utilizando la información "
-        "proporcionada en el contexto si es relevante. Si la respuesta no está en el contexto, "
-        "usa tu conocimiento general. Responde siempre en español."
-    )
-
-    # Combinar la instrucción del sistema, el contexto y la pregunta del usuario en un solo prompt
-    full_prompt = f"{system_instruction}\n\nContexto:\n{context_text}\n\nPregunta: {prompt_text}"
-
-    # Preparar el historial de chat para la API de Gemini
-    chat_history = []
-    chat_history.append({"role": "user", "parts": [{"text": full_prompt}]})
-
-    # Carga útil para la solicitud a la API de Gemini
-    payload = {
-        "contents": chat_history,
-        "generationConfig": {
-            "responseMimeType": "text/plain" # Solicitar una respuesta en texto plano
-        }
-    }
-
-    # La clave de la API se deja vacía según las instrucciones para el entorno Canvas.
-    # En un despliegue real, esto debería manejarse de forma segura (e.g., variables de entorno).
-    api_key = "" # Canvas inyectará la clave API en tiempo de ejecución
-    api_url = f"https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key={api_key}"
-
-    try:
-        # Realizar la solicitud POST a la API de Gemini
-        response = requests.post(api_url, headers={'Content-Type': 'application/json'}, data=json.dumps(payload))
-        response.raise_for_status() # Lanzar una excepción para códigos de estado HTTP de error (4xx o 5xx)
-        result = response.json() # Parsear la respuesta JSON
-
-        # Extraer el texto de la respuesta del modelo
-        if result.get("candidates") and len(result["candidates"]) > 0 and \
-           result["candidates"][0].get("content") and result["candidates"][0]["content"].get("parts") and \
-           len(result["candidates"][0]["content"]["parts"]) > 0:
-            return result["candidates"][0]["content"]["parts"][0]["text"]
-        else:
-            print("Error: Estructura de respuesta inesperada de la API del LLM.", result)
-            return "Lo siento, no pude generar una respuesta. Hubo un problema con la API del modelo."
-    except requests.exceptions.RequestException as e:
-        # Manejar errores de conexión o HTTP
-        print(f"Error al llamar a la API de Gemini: {e}")
-        return f"Lo siento, hubo un error de conexión al intentar obtener una respuesta: {e}"
-    except json.JSONDecodeError as e:
-        # Manejar errores al decodificar la respuesta JSON
-        print(f"Error al decodificar la respuesta JSON de la API: {e}")
-        return "Lo siento, hubo un problema al procesar la respuesta del modelo."
-    except Exception as e:
-        # Manejar cualquier otra excepción inesperada
-        print(f"Ocurrió un error inesperado al obtener la respuesta del LLM: {e}")
-        return "Lo siento, ocurrió un error inesperado al intentar obtener una respuesta."
-
-
-def chat(user_message, personality_setting):
-    """
-    Función principal del chatbot que procesa el mensaje del usuario y genera una respuesta.
-
-    Args:
-        user_message (str): El mensaje o pregunta del usuario.
-        personality_setting (str): La personalidad seleccionada para el bot.
-
-    Returns:
-        str: La respuesta generada por el bot.
-    """
-    if not user_message:
-        return "Por favor, escribe un mensaje para que el bot pueda responder."
-
-    # Usar la base de conocimientos global como contexto para el LLM
-    # Si no hay base de conocimientos cargada, se indica al LLM que no hay contexto.
-    context_for_llm = knowledge_base_text if knowledge_base_text else "No hay una base de conocimientos cargada."
-
-    # Obtener la respuesta del modelo de lenguaje
-    bot_response = get_llm_response(user_message, context_for_llm, personality_setting)
-    return bot_response
-
-# Configuración de la interfaz de Gradio
-with gr.Blocks(title="Chatbot de Base de Conocimientos") as demo:
-    gr.Markdown(
-        """
-        # 🤖 Chatbot de Base de Conocimientos Configurable
-        Sube un archivo (CSV, XLSX, PDF) para que el bot lo use como base de conocimientos.
-        Luego, selecciona una personalidad y haz tus preguntas.
-        """
-    )
-
-    with gr.Row():
-        # Componente para subir archivos
-        file_input = gr.File(label="Sube tu base de conocimientos (.csv, .xlsx, .pdf)", type="filepath")
-        # Botón para cargar la base de conocimientos
-        load_button = gr.Button("Cargar Base de Conocimientos")
-        # Cuadro de texto para mostrar el estado de la carga
-        status_output = gr.Textbox(label="Estado de la Carga", interactive=False)
-
-    # Configurar la acción del botón de carga
-    load_button.click(
-        fn=load_knowledge_base, # Función a llamar
-        inputs=file_input,      # Entrada de la función
-        outputs=status_output   # Salida de la función
-    )
-
-    gr.Markdown("---") # Separador visual
-
-    with gr.Row():
-        # Desplegable para seleccionar la personalidad del bot
-        personality_dropdown = gr.Dropdown(
-            label="Personalidad del Bot",
-            choices=["amigable", "formal", "creativo", "analítico"], # Opciones de personalidad
-            value="amigable", # Valor predeterminado
-            interactive=True
-        )
-        # Cuadro de texto para que el usuario escriba su pregunta
-        user_query_input = gr.Textbox(label="Tu Pregunta", placeholder="Escribe tu pregunta aquí...")
-        # Botón para enviar la pregunta
-        chat_button = gr.Button("Enviar Pregunta")
-
-    # Cuadro de texto para mostrar la respuesta del bot
-    bot_response_output = gr.Textbox(label="Respuesta del Bot", interactive=False)
-
-    # Configurar la acción del botón de chat
-    chat_button.click(
-        fn=chat, # Función a llamar
-        inputs=[user_query_input, personality_dropdown], # Entradas de la función
-        outputs=bot_response_output # Salida de la función
-    )
-
-    # Ejemplos para facilitar las pruebas rápidas del bot
-    gr.Examples(
-        examples=[
-            ["¿Qué es un chatbot?", "amigable"],
-            ["Dame un resumen de la información cargada.", "analítico"],
-            ["¿Cómo puedo usar este bot?", "formal"]
-        ],
-        inputs=[user_query_input, personality_dropdown],
-        outputs=bot_response_output,
-        fn=chat, # La función que se ejecuta al seleccionar un ejemplo
-        cache_examples=False # No almacenar en caché los resultados de los ejemplos
-    )
-
-# Para ejecutar la aplicación Gradio (esto lo hará Hugging Face Spaces automáticamente)
-# demo.launch()
+# app.py
+import gradio as gr
+import pandas as pd
+import PyPDF2
+import requests
+import io
+import json
+import os # Para manejar variables de entorno si fuera necesario en un entorno real
+
+# Variable global para almacenar el texto extraído de la base de conocimientos
+# Se vacía cada vez que se carga un nuevo archivo.
+knowledge_base_text = ""
+
+# Longitud máxima del contexto que se pasará al modelo de lenguaje.
+# Los modelos de lenguaje tienen límites en la cantidad de texto que pueden procesar.
+# Si la base de conocimientos es muy grande, se truncará.
+MAX_CONTEXT_LENGTH = 8000 # Caracteres
+
+def load_knowledge_base(file):
+    """
+    Carga un archivo (CSV, XLSX, PDF) y extrae su contenido de texto para usarlo
+    como base de conocimientos.
+
+    Args:
+        file: Un objeto de archivo de Gradio (gr.File), que contiene la ruta temporal del archivo subido.
+
+    Returns:
+        str: Un mensaje de estado indicando si la carga fue exitosa o si hubo un error.
+    """
+    global knowledge_base_text
+    knowledge_base_text = "" # Limpiar la base de conocimientos anterior al cargar una nueva
+
+    if file is None:
+        return "Por favor, sube un archivo para la base de conocimientos."
+
+    file_path = file.name # La ruta temporal del archivo subido por Gradio
+    file_extension = file_path.split('.')[-1].lower()
+
+    try:
+        if file_extension == 'csv':
+            # Leer archivos CSV usando pandas
+            df = pd.read_csv(file_path)
+            knowledge_base_text = df.to_string(index=False) # Convertir DataFrame a cadena de texto
+        elif file_extension == 'xlsx':
+            # Leer archivos XLSX usando pandas (requiere openpyxl)
+            df = pd.read_excel(file_path)
+            knowledge_base_text = df.to_string(index=False) # Convertir DataFrame a cadena de texto
+        elif file_extension == 'pdf':
+            # Leer archivos PDF usando PyPDF2
+            with open(file_path, 'rb') as f:
+                reader = PyPDF2.PdfReader(f)
+                for page_num in range(len(reader.pages)):
+                    page = reader.pages[page_num]
+                    # Extraer texto de cada página y añadirlo a la base de conocimientos
+                    knowledge_base_text += page.extract_text() + "\n"
+        else:
+            return "Formato de archivo no soportado. Por favor, sube un archivo .csv, .xlsx o .pdf."
+
+        # Truncar la base de conocimientos si excede la longitud máxima del contexto
+        if len(knowledge_base_text) > MAX_CONTEXT_LENGTH:
+            knowledge_base_text = knowledge_base_text[:MAX_CONTEXT_LENGTH] + "\n... [Contenido truncado debido a la longitud máxima del contexto]"
+            return f"Base de conocimientos cargada exitosamente (truncada a {MAX_CONTEXT_LENGTH} caracteres). ¡Ahora puedes chatear!"
+        else:
+            return "Base de conocimientos cargada exitosamente. ¡Ahora puedes chatear!"
+
+    except Exception as e:
+        knowledge_base_text = "" # Limpiar la base de conocimientos en caso de error
+        return f"Error al cargar la base de conocimientos: {e}. Asegúrate de que el archivo no esté corrupto o vacío."
+
+def get_llm_response(prompt_text, context_text, personality_setting):
+    """
+    Genera una respuesta utilizando la API de Gemini, incorporando el contexto
+    de la base de conocimientos y la personalidad seleccionada.
+
+    Args:
+        prompt_text (str): La pregunta del usuario.
+        context_text (str): El texto de la base de conocimientos que se usará como contexto.
+        personality_setting (str): La personalidad deseada para el bot (e.g., "amigable", "formal").
+
+    Returns:
+        str: La respuesta generada por el modelo de lenguaje, o un mensaje de error.
+    """
+    # Construir la instrucción del sistema para guiar el comportamiento del LLM
+    system_instruction = (
+        f"Eres un asistente de IA con una personalidad {personality_setting}. "
+        "Responde a las preguntas de manera útil y concisa, utilizando la información "
+        "proporcionada en el contexto si es relevante. Si la respuesta no está en el contexto, "
+        "usa tu conocimiento general. Responde siempre en español."
+    )
+
+    # Combinar la instrucción del sistema, el contexto y la pregunta del usuario en un solo prompt
+    full_prompt = f"{system_instruction}\n\nContexto:\n{context_text}\n\nPregunta: {prompt_text}"
+
+    # Preparar el historial de chat para la API de Gemini
+    chat_history = []
+    chat_history.append({"role": "user", "parts": [{"text": full_prompt}]})
+
+    # Carga útil para la solicitud a la API de Gemini
+    payload = {
+        "contents": chat_history,
+        "generationConfig": {
+            "responseMimeType": "text/plain" # Solicitar una respuesta en texto plano
+        }
+    }
+
+    # La clave de la API se deja vacía según las instrucciones para el entorno Canvas.
+    # En un despliegue real, esto debería manejarse de forma segura (e.g., variables de entorno).
+    api_key = "" # Canvas inyectará la clave API en tiempo de ejecución
+    api_url = f"https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key={api_key}"
+
+    try:
+        # Realizar la solicitud POST a la API de Gemini
+        response = requests.post(api_url, headers={'Content-Type': 'application/json'}, data=json.dumps(payload))
+        response.raise_for_status() # Lanzar una excepción para códigos de estado HTTP de error (4xx o 5xx)
+        result = response.json() # Parsear la respuesta JSON
+
+        # Extraer el texto de la respuesta del modelo
+        if result.get("candidates") and len(result["candidates"]) > 0 and \
+           result["candidates"][0].get("content") and result["candidates"][0]["content"].get("parts") and \
+           len(result["candidates"][0]["content"]["parts"]) > 0:
+            return result["candidates"][0]["content"]["parts"][0]["text"]
+        else:
+            print("Error: Estructura de respuesta inesperada de la API del LLM.", result)
+            return "Lo siento, no pude generar una respuesta. Hubo un problema con la API del modelo."
+    except requests.exceptions.RequestException as e:
+        # Manejar errores de conexión o HTTP
+        print(f"Error al llamar a la API de Gemini: {e}")
+        return f"Lo siento, hubo un error de conexión al intentar obtener una respuesta: {e}"
+    except json.JSONDecodeError as e:
+        # Manejar errores al decodificar la respuesta JSON
+        print(f"Error al decodificar la respuesta JSON de la API: {e}")
+        return "Lo siento, hubo un problema al procesar la respuesta del modelo."
+    except Exception as e:
+        # Manejar cualquier otra excepción inesperada
+        print(f"Ocurrió un error inesperado al obtener la respuesta del LLM: {e}")
+        return "Lo siento, ocurrió un error inesperado al intentar obtener una respuesta."
+
+
+def chat(user_message, personality_setting):
+    """
+    Función principal del chatbot que procesa el mensaje del usuario y genera una respuesta.
+
+    Args:
+        user_message (str): El mensaje o pregunta del usuario.
+        personality_setting (str): La personalidad seleccionada para el bot.
+
+    Returns:
+        str: La respuesta generada por el bot.
+    """
+    if not user_message:
+        return "Por favor, escribe un mensaje para que el bot pueda responder."
+
+    # Usar la base de conocimientos global como contexto para el LLM
+    # Si no hay base de conocimientos cargada, se indica al LLM que no hay contexto.
+    context_for_llm = knowledge_base_text if knowledge_base_text else "No hay una base de conocimientos cargada."
+
+    # Obtener la respuesta del modelo de lenguaje
+    bot_response = get_llm_response(user_message, context_for_llm, personality_setting)
+    return bot_response
+
+# Configuración de la interfaz de Gradio
+with gr.Blocks(title="Chatbot de Base de Conocimientos") as demo:
+    gr.Markdown(
+        """
+        # 🤖 Chatbot de Base de Conocimientos Configurable
+        Sube un archivo (CSV, XLSX, PDF) para que el bot lo use como base de conocimientos.
+        Luego, selecciona una personalidad y haz tus preguntas.
+        """
+    )
+
+    with gr.Row():
+        # Componente para subir archivos
+        file_input = gr.File(label="Sube tu base de conocimientos (.csv, .xlsx, .pdf)", type="filepath")
+        # Botón para cargar la base de conocimientos
+        load_button = gr.Button("Cargar Base de Conocimientos")
+        # Cuadro de texto para mostrar el estado de la carga
+        status_output = gr.Textbox(label="Estado de la Carga", interactive=False)
+
+    # Configurar la acción del botón de carga
+    load_button.click(
+        fn=load_knowledge_base, # Función a llamar
+        inputs=file_input,      # Entrada de la función
+        outputs=status_output   # Salida de la función
+    )
+
+    gr.Markdown("---") # Separador visual
+
+    with gr.Row():
+        # Desplegable para seleccionar la personalidad del bot
+        personality_dropdown = gr.Dropdown(
+            label="Personalidad del Bot",
+            choices=["amigable", "formal", "creativo", "analítico"], # Opciones de personalidad
+            value="amigable", # Valor predeterminado
+            interactive=True
+        )
+        # Cuadro de texto para que el usuario escriba su pregunta
+        user_query_input = gr.Textbox(label="Tu Pregunta", placeholder="Escribe tu pregunta aquí...")
+        # Botón para enviar la pregunta
+        chat_button = gr.Button("Enviar Pregunta")
+
+    # Cuadro de texto para mostrar la respuesta del bot
+    bot_response_output = gr.Textbox(label="Respuesta del Bot", interactive=False)
+
+    # Configurar la acción del botón de chat
+    chat_button.click(
+        fn=chat, # Función a llamar
+        inputs=[user_query_input, personality_dropdown], # Entradas de la función
+        outputs=bot_response_output # Salida de la función
+    )
+
+    # Ejemplos para facilitar las pruebas rápidas del bot
+    gr.Examples(
+        examples=[
+            ["¿Qué es un chatbot?", "amigable"],
+            ["Dame un resumen de la información cargada.", "analítico"],
+            ["¿Cómo puedo usar este bot?", "formal"]
+        ],
+        inputs=[user_query_input, personality_dropdown],
+        outputs=bot_response_output,
+        fn=chat, # La función que se ejecuta al seleccionar un ejemplo
+        cache_examples=False # No almacenar en caché los resultados de los ejemplos
+    )
+
+# Para ejecutar la aplicación Gradio (esto lo hará Hugging Face Spaces automáticamente)
+ demo.launch()