g

model.py

@@ -12,25 +12,16 @@ HF_TOKEN = os.getenv("HF_TOKEN")
 if HF_TOKEN is None:
     raise ValueError("No se encontró la variable de entorno HF_TOKEN.")
 
-# Configurar rutas específicas
-chroma_dir = "/home/user/app/chroma_data"  # Directorio dedicado para Chroma
-os.makedirs(chroma_dir, exist_ok=True)  # Asegurar que el directorio existe
-
-
-# Eliminar caché previa y datos antiguos de Chroma
-def limpiar_entorno():
+# Eliminar caché previa para forzar la descarga
+def eliminar_cache_huggingface():
     cache_path = "/home/user/.cache/huggingface/hub/datasets--VictorCarr02--Conversational-Agent-LawsEC"
     if os.path.exists(cache_path):
-        print(f"Eliminando caché: {cache_path}")
+        print(f"Eliminando caché existente en: {cache_path}")
         shutil.rmtree(cache_path)
+        print("Caché eliminada. Forzando nueva descarga.")
 
-    if os.path.exists(chroma_dir):
-        print(f"Limpiando directorio Chroma: {chroma_dir}")
-        shutil.rmtree(chroma_dir)
-    os.makedirs(chroma_dir, exist_ok=True)
-
-
-limpiar_entorno()
+# Eliminar la caché antes de la descarga
+eliminar_cache_huggingface()
 
 # Descargar los archivos
 embedding_path = hf_hub_download(
@@ -38,58 +29,45 @@ embedding_path = hf_hub_download(
     repo_type="dataset",
     filename="data_level0.bin",
     token=HF_TOKEN,
-    force_download=True
+    force_download=True  # Fuerza la descarga
 )
 
-# Descargar chroma.sqlite3 a ubicación temporal
-temp_chroma_path = hf_hub_download(
+chroma_path = hf_hub_download(
     repo_id="VictorCarr02/Conversational-Agent-LawsEC",
     repo_type="dataset",
     filename="chroma.sqlite3",
     token=HF_TOKEN,
-    force_download=True
+    force_download=True  # Fuerza la descarga
 )
 
-# Mover el archivo a la ubicación correcta de Chroma
-chroma_path = os.path.join(chroma_dir, "chroma.sqlite3")
-shutil.move(temp_chroma_path, chroma_path)
+print("Archivos descargados en:")
+print(f"Embeddings: {embedding_path}")
+print(f"ChromaDB: {chroma_path}")
 
-print("\nArchivos configurados:")
-print(f"- Embeddings: {embedding_path}")
-print(f"- ChromaDB: {chroma_path}")
+# Verificar y eliminar el archivo chroma.sqlite3 si ya existe
+if os.path.exists(chroma_path):
+    print(f"Eliminando archivo existente: {chroma_path}")
+    os.remove(chroma_path)
 
-# Configurar ChromaDB
-chromadb_client = chromadb.PersistentClient(path=chroma_dir)
+# 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)
 
-# Configurar embeddings (corregido)
-embeddings = HuggingFaceEmbeddings(
-    model_name="sentence-transformers/all-mpnet-base-v2",  # Modelo estándar
-    model_kwargs={"device": "cpu"}
-)
-
-# Inicializar vector store
-vector_store = Chroma(
-    client=chromadb_client,
-    collection_name="mis_embeddings",
-    embedding_function=embeddings
-)
-
-# Configurar modelo Mistral
+# Acceder a la clave API desde la variable de entorno
 api_key = os.getenv("MISTRAL_API_KEY")
-if not api_key:
-    raise ValueError("MISTRAL_API_KEY no configurada")
 
-llm = ChatMistralAI(
-    api_key=api_key,
-    model="mistral-large-latest",
-    temperature=0.1
-)
+# 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 cadena RAG
+# 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(search_kwargs={"k": 3}),
-    chain_type="stuff",
-    return_source_documents=True
-)
+    retriever=vector_store.as_retriever(),
+    chain_type="stuff"
+)