Upload app.py

app.py

@@ -0,0 +1,95 @@
+import os
+from fastapi import FastAPI
+from pydantic import BaseModel
+from langchain_community.vectorstores import FAISS
+from langchain_community.embeddings import HuggingFaceEmbeddings
+from langchain.chains import RetrievalQA
+from langchain.prompts import PromptTemplate
+from langchain_groq import ChatGroq
+
+# --------------------------------------------------------
+# 1. CONFIGURACIÓN
+# --------------------------------------------------------
+# La clave se lee del secreto de Hugging Face. NO PEGAR CLAVE AQUÍ.
+os.environ['GROQ_API_KEY'] = os.environ.get('GROQ_API_KEY') 
+DB_FAISS_PATH = 'vectorstore/db_faiss' 
+
+# --------------------------------------------------------
+# 2. CLASES Y CARGA DEL RAG CORE
+# --------------------------------------------------------
+
+class QueryRequest(BaseModel):
+    """Define el formato de la pregunta que recibirá el endpoint /query."""
+    query: str
+
+def load_and_configure_rag():
+    """
+    Carga la base de datos FAISS pre-entrenada y configura el RAG Chain.
+    Esta función se ejecuta SOLO UNA VEZ al iniciar el servidor.
+    """
+    try:
+        # 1. Cargar Embeddings (necesario para saber cómo buscar)
+        embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
+        
+        # 2. Cargar Vector Store (busca la carpeta que subiste a Hugging Face)
+        # Esto fallará si la carpeta 'vectorstore/db_faiss' no se sube.
+        vectorstore = FAISS.load_local(DB_FAISS_PATH, embeddings, allow_dangerous_deserialization=True)
+        
+        # 3. Configurar LLM y Prompt
+        llm_groq = ChatGroq(temperature=0.0, model_name="llama-3.1-8b-instant")
+        
+        custom_prompt = """
+        Eres un asistente de preguntas y respuestas experto en la documentación de NutriActive. 
+        Tu tarea es responder a la pregunta del usuario basándote EXCLUSIVAMENTE en el contexto proporcionado.
+        Si la respuesta no se encuentra en el contexto, indica amablemente: "Lo siento, la información que buscas no se encuentra en la documentación de NutriActive."
+
+        Contexto: {context}
+        Pregunta: {question}
+
+        Respuesta concisa:
+        """
+        RAG_PROMPT = PromptTemplate(template=custom_prompt, input_variables=["context", "question"])
+
+        # 4. Crear la cadena de RAG
+        qa_chain = RetrievalQA.from_chain_type(
+            llm=llm_groq, 
+            chain_type="stuff", 
+            retriever=vectorstore.as_retriever(search_kwargs={"k": 3}), 
+            return_source_documents=True,
+            chain_type_kwargs={"prompt": RAG_PROMPT}
+        )
+        return qa_chain
+        
+    except Exception as e:
+        print(f"Error crítico al cargar la configuración RAG: {e}")
+        return None
+
+# --------------------------------------------------------
+# 3. CONFIGURACIÓN DE FASTAPI Y ENDPOINTS
+# --------------------------------------------------------
+
+app = FastAPI(title="NutriActive RAG API")
+qa_chain = load_and_configure_rag() # Carga la cadena al iniciar
+
+@app.get("/")
+def home():
+    """Verifica que el servidor está corriendo."""
+    return {"message": "API de NutriActive RAG operativa. Usa el endpoint /query."}
+
+@app.post("/query")
+async def process_query(request: QueryRequest):
+    """Endpoint principal para recibir la pregunta y devolver la respuesta."""
+    if qa_chain is None:
+        return {"error": "El sistema RAG no se pudo cargar. Verifique que la carpeta 'vectorstore' existe."}
+    
+    try:
+        result = qa_chain.invoke({"query": request.query})
+        sources = [doc.metadata.get('source', 'N/A') for doc in result['source_documents']]
+        
+        return {
+            "query": request.query,
+            "response": result['result'],
+            "sources": sources
+        }
+    except Exception as e:
+        return {"error": f"Error al procesar la consulta: {e}"}