File size: 1,867 Bytes
d76b078 64fe8a3 d76b078 2c71c21 b206c20 68d5604 b206c20 122e667 b206c20 122e667 b206c20 d76b078 b206c20 d76b078 b206c20 d76b078 b206c20 9c363a9 b206c20 d76b078 b206c20 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 | from langchain.chains import RetrievalQA
from langchain.vectorstores import Chroma
from langchain.embeddings import HuggingFaceEmbeddings
from langchain_mistralai import ChatMistralAI
import chromadb
from huggingface_hub import hf_hub_download
import os
import shutil
# Obtener el token desde las variables de entorno de Hugging Face Space
HF_TOKEN = os.getenv("HF_TOKEN")
if HF_TOKEN is None:
raise ValueError("No se encontró la variable de entorno HF_TOKEN.")
# Descargar los archivos
embedding_path = hf_hub_download(
repo_id="VictorCarr02/Conversational-Agent-LawsEC",
repo_type="dataset",
filename="data_level0.bin",
token=HF_TOKEN,
force_download=True # Fuerza la descarga
)
chroma_path = hf_hub_download(
repo_id="VictorCarr02/Conversational-Agent-LawsEC",
repo_type="dataset",
filename="chroma.sqlite3",
token=HF_TOKEN,
force_download=True # Fuerza la descarga
)
print("Archivos descargados en:")
print(f"Embeddings: {embedding_path}")
print(f"ChromaDB: {chroma_path}")
# Cargar ChromaDB y los embeddings
chromadb_client = chromadb.PersistentClient(path=chroma_path)
collection = chromadb_client.get_or_create_collection(name="mis_embeddings")
embeddings = HuggingFaceEmbeddings(model_name="mistralai/MistralAIEmbeddings", path=embedding_path)
vector_store = Chroma(collection=collection, embedding_function=embeddings)
# Acceder a la clave API desde la variable de entorno
api_key = os.getenv("MISTRAL_API_KEY")
# Verifica si la clave fue obtenida correctamente
if api_key is None:
raise ValueError("La clave API MISTRAL_API_KEY no está configurada como variable de entorno.")
# Crear el modelo LLM con la clave API
llm = ChatMistralAI(api_key=api_key)
# Crear el agente RAG
rag_chain = RetrievalQA.from_chain_type(
llm=llm,
retriever=vector_store.as_retriever(),
chain_type="stuff"
)
|