asa

app.py

@@ -48,28 +48,33 @@ llm = ChatOpenAI(
     api_key=os.getenv("HUGGINGFACEHUB_API_TOKEN")
 )
 developer_structure_llm = llm.with_structured_output(GenerateRecommendation, method="json_mode")
-reviewer_structure_llm = llm.with_structured_output(RecommendationQualityScore, method="json_mode")
 
 def travel_recommender(state):
-    # Se asume que el último mensaje contiene las preferencias del usuario
     user_requirements = state["messages"][-1].content
     system_prompt = f"""
     Eres un experto en recomendaciones de viajes.
     Con base en las siguientes preferencias del usuario: {user_requirements},
-    selecciona el mejor destino de la siguiente base de datos: {travel_database}.
-    Responde en JSON con la clave `destination` para el destino recomendado y `explanation` con una breve razón de la recomendación.
+    selecciona el mejor destino de la siguiente base de datos.
+    Responde en JSON con la clave `destination` y `explanation`.
     """
-    human_messages = [msg for msg in state["messages"] if isinstance(msg, HumanMessage)]
-    ai_messages = [msg for msg in state["messages"] if isinstance(msg, AIMessage)]
-    system_messages = [SystemMessage(content=system_prompt)]
+    messages = [
+        SystemMessage(content=system_prompt),
+        # ... más mensajes (human/AI) si lo requieres ...
+    ]
     
-    messages = system_messages + human_messages + ai_messages
-    message = developer_structure_llm.invoke(messages)
+    # 1. Llamas a tu LLM con structured_output
+    recommendation_obj = developer_structure_llm.invoke(messages)
+    
+    # 2. Conviertes el objeto resultante en texto
+    text_output = (
+        f"Destino recomendado: {recommendation_obj.destination}\n"
+        f"Razón: {recommendation_obj.explanation}"
+    )
     
-    recommendation_output = f"Destination: {message.destination}\nExplanation: {message.explanation}"
-    # Se agrega la recomendación a los mensajes para los siguientes nodos
-    state["messages"].append(AIMessage(content=recommendation_output))
-    state["iterations"] += 1
+    # 3. Guardas ese texto en el estado (para que otros nodos puedan revisarlo)
+    state["messages"].append(AIMessage(content=text_output))
+    
+    # 4. Retornas el state modificado
     return state
 
 def recommendation_review(state):
@@ -132,15 +137,16 @@ graph = builder.compile()
 def run_graph(user_input: str) -> str:
     initial_state = {"messages": [HumanMessage(content=user_input)], "quality": 0, "iterations": 0}
     final_state = graph.invoke(initial_state)
-    return final_state.get("final_recommendation", "No se generó una recomendación final.")
-
-# Interfaz de Gradio
-iface = gr.Interface(
-    fn=run_graph,
-    inputs=gr.Textbox(label="Ingrese sus preferencias de viaje"),
-    outputs=gr.Textbox(label="Recomendación Final"),
-    title="Sistema de Recomendación de Viajes"
-)
+
+    # Supongamos que guardaste la recomendación final en state["final_recommendation"]
+    # o en el último mensaje AIMessage. Por ejemplo:
+    final_messages = [msg for msg in final_state["messages"] if isinstance(msg, AIMessage)]
+    if not final_messages:
+        return "No se generó una recomendación final."
+    
+    # Extraes el último mensaje del flujo
+    return final_messages[-1].content
+
 
 if __name__ == "__main__":
     iface.launch()