Update rag_api.py

rag_api.py

@@ -1,4 +1,6 @@
 import os
+import requests
+import shutil 
 from fastapi import FastAPI
 from pydantic import BaseModel
 from langchain_community.vectorstores import FAISS
@@ -10,33 +12,61 @@ 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' 
-DB_FAISS_PATH = '/app/vectorstore/db_faiss'
+# URLs DE DESCARGA DIRECTA DE GOOGLE DRIVE (construidas con las IDs)
+URL_FAISS = "https://drive.google.com/uc?export=download&id=1bFLDqk0fEsdJlxjYPnxIqOUxagO7qcy3" 
+URL_PKL = "https://drive.google.com/uc?export=download&id=1D0JGeRft3798x-rsTam1s_2lVhjC9yTR"
+
+# Directorio donde guardaremos los archivos dentro del contenedor Docker
+DOWNLOAD_DIR = "/tmp/db_faiss" 
+DB_FAISS_PATH = DOWNLOAD_DIR 
 
 # --------------------------------------------------------
-# 2. CLASES Y CARGA DEL RAG CORE
+# 2. FUNCIONES DE DESCARGA Y CARGA DEL RAG CORE
 # --------------------------------------------------------
 
 class QueryRequest(BaseModel):
     """Define el formato de la pregunta que recibirá el endpoint /query."""
     query: str
 
+def download_file(url, local_path):
+    """Descarga un archivo desde una URL y lo guarda localmente en /tmp."""
+    print(f"Descargando: {os.path.basename(local_path)} desde la nube...")
+    # Usar headers de agente de usuario para evitar bloqueos 403 de Google Drive
+    headers = {'User-Agent': 'Mozilla/5.0'} 
+    response = requests.get(url, stream=True, headers=headers)
+    
+    # Manejar errores de descarga (ej. si el archivo no es público)
+    if response.status_code == 403:
+        raise PermissionError(f"Error 403: El archivo {os.path.basename(local_path)} no es público en Google Drive.")
+    response.raise_for_status() 
+    
+    # Asegurar que el directorio de destino exista
+    os.makedirs(os.path.dirname(local_path), exist_ok=True)
+    
+    with open(local_path, 'wb') as f:
+        shutil.copyfileobj(response.raw, f)
+    print("Descarga completada.")
+
 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.
+    Descarga la base de datos FAISS de la nube y la configura.
     """
     try:
-        # 1. Cargar Embeddings (necesario para saber cómo buscar)
+        # 1. Descargar los archivos y guardarlos en /tmp/db_faiss
+        download_file(URL_FAISS, os.path.join(DOWNLOAD_DIR, 'index.faiss'))
+        download_file(URL_PKL, os.path.join(DOWNLOAD_DIR, 'index.pkl'))
+        
+        # 2. Cargar Embeddings (el mismo modelo que usaste)
         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. Cargar Vector Store (desde la ruta temporal /tmp/db_faiss)
+        vectorstore = FAISS.load_local(
+            DB_FAISS_PATH, 
+            embeddings, 
+            allow_dangerous_deserialization=True
+        )
         
-        # 3. Configurar LLM y Prompt
+        # 4. Configurar LLM y Prompt
         llm_groq = ChatGroq(temperature=0.0, model_name="llama-3.1-8b-instant")
         
         custom_prompt = """
@@ -51,7 +81,7 @@ def load_and_configure_rag():
         """
         RAG_PROMPT = PromptTemplate(template=custom_prompt, input_variables=["context", "question"])
 
-        # 4. Crear la cadena de RAG
+        # 5. Crear la cadena de RAG
         qa_chain = RetrievalQA.from_chain_type(
             llm=llm_groq, 
             chain_type="stuff", 
@@ -62,26 +92,33 @@ def load_and_configure_rag():
         return qa_chain
         
     except Exception as e:
-        print(f"Error crítico al cargar la configuración RAG: {e}")
-        return None
+        print(f"Error CRÍTICO al descargar/cargar FAISS desde la nube: {e}") 
+        # Esta es la excepción que verás en los logs si falla la descarga
+        raise RuntimeError(f"Falla al cargar FAISS: {e}") 
 
 # --------------------------------------------------------
 # 3. CONFIGURACIÓN DE FASTAPI Y ENDPOINTS
 # --------------------------------------------------------
 
+# Iniciar servidor y RAG (manejo de errores de carga)
 app = FastAPI(title="NutriActive RAG API")
-qa_chain = load_and_configure_rag() # Carga la cadena al iniciar
+try:
+    qa_chain = load_and_configure_rag() 
+except RuntimeError:
+    qa_chain = None 
 
 @app.get("/")
 def home():
     """Verifica que el servidor está corriendo."""
+    if qa_chain is None:
+        return {"error": "El servidor está activo, pero el RAG no se pudo inicializar. Revisa los logs de inicio para ver el error de descarga."}
     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."}
+        return {"error": "El sistema RAG no se pudo cargar. Revisa los logs de inicio para ver el error específico."}
     
     try:
         result = qa_chain.invoke({"query": request.query})