Update app.py

app.py

@@ -12,10 +12,7 @@ import time
 from google.cloud import texttospeech
 from streamlit_webrtc import webrtc_streamer, WebRtcMode
 from Historial.historial_chat import cargar_historial, guardar_historial
-from reportlab.lib.pagesizes import letter
-from reportlab.pdfgen import canvas
-import csv
-import pandas as pd
+from agent_functions import leer_menu_csv, tomar_pedido_agente, procesar_orden_agente, generar_pdf_orden
 
 # Configuración de NLTK
 nltk.download('punkt')
@@ -29,52 +26,6 @@ openai.api_key = os.getenv("OPENAI_API_KEY")
 # Instancia el cliente de Text-to-Speech
 client = texttospeech.TextToSpeechClient()
 
-# Función para leer el archivo CSV del menú
-def leer_menu_csv(filepath):
-    menu = pd.read_csv(filepath)
-    return menu
-
-# Clase para manejar el pedido
-class PedidoTool:
-    def __init__(self, menu_df):
-        self.menu_df = menu_df
-
-    def tomar_pedido(self, pedido):
-        items = pedido.split(',')
-        confirmados = []
-        for item in items:
-            if item.strip() in self.menu_df['item'].values:
-                confirmados.append(item.strip())
-        return confirmados
-
-# Clase para procesar la orden
-class OrdenTool:
-    def __init__(self, menu_df):
-        self.menu_df = menu_df
-
-    def procesar_orden(self, pedido):
-        items = pedido.split(',')
-        total = 0
-        for item in items:
-            price = self.menu_df[self.menu_df['item'] == item.strip()]['price'].values[0]
-            total += price
-        return total
-
-# Función para generar el PDF de la orden
-def generar_pdf_orden(order_details, filepath='orden_compra.pdf'):
-    c = canvas.Canvas(filepath, pagesize=letter)
-    width, height = letter
-    c.drawString(100, height - 100, "Orden de Compra")
-    y = height - 120
-    total = 0
-    for item, details in order_details.items():
-        c.drawString(100, y, f"{item}: ${details['price']}")
-        y -= 20
-        total += details['price']
-    c.drawString(100, y - 20, f"Total: ${total}")
-    c.save()
-    return filepath
-
 # Función para extraer texto del PDF
 def extraer_texto_pdf(archivo):
     texto = ""
@@ -140,17 +91,6 @@ def obtener_respuesta(pregunta, texto_preprocesado, modelo, temperatura=0.5):
         st.error(f"Error al comunicarse con OpenAI: {e}")
         return "Lo siento, no puedo procesar tu solicitud en este momento."
 
-# Definición de Agentes
-def tomar_pedido_agente(pedido, menu_df):
-    pedido_tool = PedidoTool(menu_df)
-    confirmados = pedido_tool.tomar_pedido(pedido)
-    return confirmados
-
-def procesar_orden_agente(pedido, menu_df):
-    orden_tool = OrdenTool(menu_df)
-    total = orden_tool.procesar_orden(pedido)
-    return total
-
 # Main App
 def main():
     # --- Diseño general ---
@@ -344,8 +284,31 @@ def main():
                     order_details = {item: {'price': menu_df[menu_df['item'] == item]['price'].values[0]} for item in confirmados}
                     pdf_path = generar_pdf_orden(order_details)
                     st.markdown(f"[Descargar PDF de la Orden]({pdf_path})", unsafe_allow_html=True)
+
+            # --- Chat para Agentes ---
+            st.subheader("Chat con Agentes")
+            if 'mensajes_agente' not in st.session_state:
+                st.session_state.mensajes_agente = []
+
+            for mensaje in st.session_state.mensajes_agente:
+                with st.chat_message(mensaje["role"]):
+                    st.markdown(mensaje["content"])
+
+            agente_pregunta = st.text_input("Escribe tu pregunta para el agente:")
+            if st.button("Enviar al Agente"):
+                if agente_pregunta:
+                    st.session_state.mensajes_agente.append({"role": "user", "content": agente_pregunta, "timestamp": time.time()})
+                    with st.chat_message("user"):
+                        st.markdown(agente_pregunta)
+
+                    # Procesar la respuesta del agente
+                    with st.spinner("El agente está respondiendo..."):
+                        respuesta_agente = obtener_respuesta(agente_pregunta, '', modelo="gpt-4", temperatura=0.5)
+                        st.session_state.mensajes_agente.append({"role": "assistant", "content": respuesta_agente, "timestamp": time.time()})
+                        with st.chat_message("assistant"):
+                            st.markdown(respuesta_agente)
                 else:
-                    st.warning("Por favor, ingresa el pedido antes de continuar.")
+                    st.warning("Por favor, ingresa una pregunta antes de enviar.")
 
 if __name__ == "__main__":
     main()