Create app.py

app.py

@@ -0,0 +1,53 @@
+from langchain_community.vectorstores import Chroma
+from langchain_huggingface import HuggingFaceEmbeddings
+from langchain_community.chat_models import ChatOpenAI
+from langchain_core.output_parsers import StrOutputParser
+from langchain import hub
+import gradio as gr
+import os
+
+# Configurar tu clave de OpenAI (puedes usar otra fuente Hugging Face si prefieres)
+openai_api_key = os.environ.get("OPENAI_API_KEY", "")
+
+# Modelo remoto (si prefieres usar otro, aquí se cambia)
+llm = ChatOpenAI(openai_api_key=openai_api_key, model="gpt-3.5-turbo", temperature=0)
+parser = StrOutputParser()
+
+# Cargar embeddings (debe ser el mismo modelo que usaste en Colab)
+embedding_function = HuggingFaceEmbeddings(
+    model_name="sentence-transformers/paraphrase-multilingual-mpnet-base-v2",
+    model_kwargs={"device": "cpu"}
+)
+
+# Cargar vectorstore persistente
+vectordb = Chroma(
+    persist_directory="chroma_db",
+    embedding_function=embedding_function
+)
+
+# Función RAG
+def responder_pregunta(query):
+    docs = vectordb.similarity_search_with_score(query, k=5)
+    prompt = hub.pull("rlm/rag-prompt")
+    rag_chain = prompt | llm | parser
+
+    context = []
+    for doc, score in docs:
+        if score < 7:
+            context.append(doc.page_content)
+
+    if context:
+        context_text = "\n".join(context)
+        result = rag_chain.invoke({"context": context_text, "question": query})
+        return result
+    else:
+        return "No tengo información suficiente para responder a esta pregunta."
+
+# Interfaz Gradio
+gr.Interface(
+    fn=responder_pregunta,
+    inputs=gr.Textbox(label="Pregunta sobre nutrición"),
+    outputs="text",
+    title="Sistema de Preguntas sobre Nutrición",
+    description="Pregunta sobre el contenido del manual clínico. Basado en RAG con LangChain y Hugging Face."
+).launch()