Update rag_api.py

rag_api.py

@@ -7,35 +7,16 @@ from langchain.chains import RetrievalQA
 from langchain.prompts import PromptTemplate
 from langchain_groq import ChatGroq
 
-# Librerías necesarias para cargar y dividir documentos
-from langchain_community.document_loaders import WebBaseLoader # <-- Cargamos URLs
-from langchain_text_splitters import RecursiveCharacterTextSplitter 
-
 # --------------------------------------------------------
 # 1. CONFIGURACIÓN
 # --------------------------------------------------------
-# **REEMPLAZA ESTO con tus URLs reales**
-urls = [
-    "https://nutri-active-landing.vercel.app/guides/example",
-    "https://nutri-active-landing.vercel.app/reference/1-alimentacion",
-    "https://nutri-active-landing.vercel.app/reference/2-ejercicios",
-    "https://nutri-active-landing.vercel.app/reference/3-habitos",
-    "https://nutri-active-landing.vercel.app/reference/4-cursos",
-    "https://nutri-active-landing.vercel.app/reference/5-comunidad",
-    "https://nutri-active-landing.vercel.app/interfaz/01-registro",
-    "https://nutri-active-landing.vercel.app/interfaz/02-login",
-    "https://nutri-active-landing.vercel.app/interfaz/03-recuperar",
-    "https://nutri-active-landing.vercel.app/interfaz/04-inicio",
-    "https://nutri-active-landing.vercel.app/interfaz/05-ejercicio",
-    "https://nutri-active-landing.vercel.app/interfaz/06-recetas",
-    "https://nutri-active-landing.vercel.app/interfaz/07-listado",
-    "https://nutri-active-landing.vercel.app/interfaz/08-planes",
-    "https://nutri-active-landing.vercel.app/interfaz/09-imc",
-    "https://nutri-active-landing.vercel.app/interfaz/10-membresias",
-    "https://nutri-active-landing.vercel.app/interfaz/11-comunidad",
-    "https://nutri-active-landing.vercel.app/interfaz/12-cursos"
-]
+# 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."""
@@ -43,28 +24,18 @@ class QueryRequest(BaseModel):
 
 def load_and_configure_rag():
     """
-    Rastrea las URLs, procesa los datos y CONFIGURA el RAG Chain.
-    Esto se ejecuta SOLO UNA VEZ al iniciar el servidor, EVITANDO el error de FAISS.load_local.
+    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 Documentos de las URLs
-        loader = WebBaseLoader(urls)
-        documents = loader.load()
-
-        # 2. Dividir Documentos (Text Splitting)
-        text_splitter = RecursiveCharacterTextSplitter(
-            chunk_size=500,
-            chunk_overlap=50
-        )
-        texts = text_splitter.split_documents(documents)
-        
-        # 3. Cargar Embeddings (el mismo modelo que usaste)
+        # 1. Cargar Embeddings (necesario para saber cómo buscar)
         embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
         
-        # 4. CREAR Vector Store DESDE CERO
-        vectorstore = FAISS.from_documents(texts, embeddings)
+        # 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)
         
-        # 5. Configurar LLM y Prompt (igual que antes)
+        # 3. Configurar LLM y Prompt
         llm_groq = ChatGroq(temperature=0.0, model_name="llama-3.1-8b-instant")
         
         custom_prompt = """
@@ -79,7 +50,7 @@ def load_and_configure_rag():
         """
         RAG_PROMPT = PromptTemplate(template=custom_prompt, input_variables=["context", "question"])
 
-        # 6. Crear la cadena de RAG
+        # 4. Crear la cadena de RAG
         qa_chain = RetrievalQA.from_chain_type(
             llm=llm_groq, 
             chain_type="stuff", 
@@ -91,32 +62,25 @@ def load_and_configure_rag():
         
     except Exception as e:
         print(f"Error crítico al cargar la configuración RAG: {e}")
-        # Si falla, lanzamos una excepción clara
-        raise RuntimeError(f"Falla al crear el RAG: {e}") 
+        return None
 
 # --------------------------------------------------------
 # 3. CONFIGURACIÓN DE FASTAPI Y ENDPOINTS
 # --------------------------------------------------------
 
-# Aquí iniciamos el servidor y la cadena RAG
 app = FastAPI(title="NutriActive RAG API")
-try:
-    qa_chain = load_and_configure_rag() # Intenta cargar la cadena
-except RuntimeError:
-    qa_chain = None # Si falla la carga, qa_chain será None
+qa_chain = load_and_configure_rag() # Carga la cadena al iniciar
 
 @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."}
     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. Revisa los logs de inicio para ver el error específico."}
+        return {"error": "El sistema RAG no se pudo cargar. Verifique que la carpeta 'vectorstore' existe."}
     
     try:
         result = qa_chain.invoke({"query": request.query})