Update app.py

app.py

@@ -2,73 +2,11 @@ import streamlit as st
 import getpass
 import os
 
-from langchain.prompts import PromptTemplate
-from langchain.chains.llm import LLMChain
-from langchain.chains.combine_documents.stuff import StuffDocumentsChain
-from langchain.chains import RetrievalQA
-from langchain.text_splitter import RecursiveCharacterTextSplitter
-from langchain_openai import ChatOpenAI
-from langchain_community.vectorstores import FAISS
-from langchain_community.document_loaders import HuggingFaceDatasetLoader
-from langchain_community.embeddings import HuggingFaceEmbeddings
+from modelo import get_chain
 
-from modelo import test
-test()
 os.environ["OPENAI_API_KEY"] = st.secrets['OPENAI_API_KEY']  # agregada en la config de hugginface
-
 st.markdown("<h1 style='text-align: center; color: yellow;'>Chatbot SII</h1>", unsafe_allow_html=True)
-#Embeddings que transforman a vectores densos multidimensionales las preguntas del SII
-embeddings = HuggingFaceEmbeddings(
-    model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",     # Ruta a modelo Pre entrenado
-    model_kwargs={'device':'cpu'}, # Opciones de configuracion del modelo
-    encode_kwargs={'normalize_embeddings': False} # Opciones de Encoding
-)
-try:
-    db = FAISS.load_local("cache", embeddings)
-except:    
-    #Carga de DATASET
-    dataset_name = "Waflon/FAQ"
-    page_content_column = "respuestas"
-    loader = HuggingFaceDatasetLoader(dataset_name, page_content_column)
-    data = loader.load()
-    text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=150)
-    #Transformado a tipo de dato especifico para esto
-    docs = text_splitter.split_documents(data)
-
-    #DB y retriever
-    db = FAISS.from_documents(docs, embeddings)  # Create a retriever object from the 'db' with a search configuration where it retrieves up to 4 relevant splits/documents.
-
-retriever = db.as_retriever(search_kwargs={"k": 3})
-
-prompt_template = """Usa los siguientes fragmentos de contextos para responder una pregunta al final. Por favor sigue las siguientes reglas:
-1. Si la pregunta requiere vinculos, por favor retornar solamente las vinculos de los vinculos sin respuesta
-2. Si no sabes la respuesta, no inventes una respuesta. Solamente di **No pude encontrar la respuesta definitiva, pero tal vez quieras ver los siguientes vinculos** y agregalos a la lista de vinculos.
-3. Si encuentras la respuesta, escribe una respuesta concisa y agrega la lista de vinculos que sean usadas **directamente** para derivar la respuesta. Excluye los vinculos que sean irrelevantes al final de la respuesta
-
-{contexto}
-
-Pregunta: {question}
-Respuesta Util:"""
-
-
-QA_CHAIN_PROMPT = PromptTemplate.from_template(prompt_template) # prompt_template defined above
-llm_chain = LLMChain(llm=ChatOpenAI(), prompt=QA_CHAIN_PROMPT, callbacks=None, verbose=True)
-document_prompt = PromptTemplate(
-    input_variables=["page_content", "url"],
-    template="Contexto:\n{page_content}\nVinculo: {url}",
-)
-combine_documents_chain = StuffDocumentsChain(
-    llm_chain=llm_chain,
-    document_variable_name="contexto",
-    document_prompt=document_prompt,
-    callbacks=None,
-)
-chain = RetrievalQA(
-    combine_documents_chain=combine_documents_chain,
-    callbacks=None,
-    verbose=True,
-    retriever=retriever,
-)
+chain = get_chain()
 
 st.header("Este es un ChatBot 🤖🦾 entrenado con las preguntas frecuentes del sitio del servicios de impuestos interno de Chile.")
 pregunta = st.text_area('Ingresa tu pregunta:', value="Que es un APA?")