Update app.py

app.py

@@ -146,40 +146,64 @@ def chat(user_input, chat_history, current_step, user_context):
     if current_step < len(preguntas):
         siguiente_pregunta = preguntar_al_usuario(preguntas[current_step][1])
         chat_history.append(("assistant", siguiente_pregunta))
+    else:
     else:
         resultado = predict_disponibilidad(user_context)
         if "error" in resultado:
-          chat_history.append(("assistant", resultado["error"] + " Reiniciando conversación..."))
-          # Reiniciar el estado
-          user_context = {
-              "ubicacion": None,
-              "month": None,
-              "day": None,
-              "hour": None,
-              "target_pct": None,
-              "temperature": None,
-              "lluvia": None
-          }
-          current_step = 0
-          chat_history.append(("assistant", preguntar_al_usuario(preguntas[0][1])))
-          return chat_history, current_step, user_context
-
+            chat_history.append(("assistant", resultado["error"] + " Reiniciando conversación..."))
+            user_context = {
+                "ubicacion": None,
+                "month": None,
+                "day": None,
+                "hour": None,
+                "target_pct": None,
+                "temperature": None,
+                "lluvia": None
+            }
+            current_step = 0
+            chat_history.append(("assistant", preguntar_al_usuario(preguntas[0][1])))
+            return chat_history, current_step, user_context
         else:
             clima = resultado["candidatas"][0]
+
+            # Resumen del contexto
+            resumen_contexto = (
+                f"🗓️ Día: {user_context['day']:02d}/{user_context['month']:02d}/2025\n"
+                f"🕒 Hora: {user_context['hour']:02d}:00h\n"
+                f"📍 Ubicación: {user_context['ubicacion']}\n"
+                f"🎯 Porcentaje mínimo deseado de bicis: {int(user_context['target_pct'] * 100)}%"
+            )
+
+            # Mensaje principal
             msg = (
-                f"📅 Predicción meteorológica para la hora solicitada:\n"
+                f"📈 Predicción meteorológica:\n"
                 f"🌡️ Temperatura aprox.: {clima['temperature']}°C\n"
                 f"☔ Precipitación aprox.: {clima['precip']} mm\n\n"
-                f"🚲 Estado de las estaciones de bicing en ese momento {round(resultado['target_pct']*100)}% de bicis:\n\n"
+                f"{resumen_contexto}\n\n"
+                f"🚲 Estaciones ordenadas por disponibilidad:\n"
             )
             for r in resultado["candidatas"]:
                 emoji = "✅" if r["pred_pct"] >= resultado["target_pct"] else "⚠️"
                 msg += (
-                    f"{emoji} Estación '{r['address']}' (ID {r['station_id']}): "
+                    f"{emoji} '{r['address']}' (ID {r['station_id']}): "
                     f"{round(r['pred_pct']*100)}% disponibilidad\n"
                 )
             chat_history.append(("assistant", msg.strip()))
 
+            # Generar resumen final con el LLM
+            resumen_llm = client.chat.completions.create(
+                messages=[
+                    {"role": "system", "content": "Eres un asistente experto en movilidad urbana. Resume de forma clara y amigable si el usuario podrá encontrar bicis disponibles, y en qué estaciones, según los datos que se te dan."},
+                    {"role": "user", "content": f"Aquí tienes el resultado del sistema:\n{msg.strip()}"}
+                ],
+                model="llama-3.3-70b-versatile",
+                temperature=0.5,
+                max_completion_tokens=256
+            ).choices[0].message.content.strip()
+
+            chat_history.append(("assistant", resumen_llm))
+
+
     return chat_history, current_step, user_context
 
 # Interfaz Gradio