Upload 2 files

Add app and requirement files

agent.py

@@ -0,0 +1,152 @@
+from typing import Dict, List, Optional, Union
+import spacy
+from transformers import AutoTokenizer, AutoModel
+import torch
+import numpy as np
+import re
+from patterns import (
+    PATRONES_AMBIGUEDAD_LEXICA,
+    PATRONES_AMBIGUEDAD_SINTACTICA,
+    SUGERENCIAS_MEJORA
+)
+
+class SemanticAnalyzer:
+    """
+    Analizador semántico que utiliza embeddings para comparar textos.
+    """
+    def __init__(self, model_name: str = "PlanTL-GOB-ES/roberta-base-bne"):
+        """
+        Inicializa el analizador semántico.
+        
+        Args:
+            model_name (str): Nombre del modelo de HuggingFace a utilizar
+        """
+        try:
+            self.tokenizer = AutoTokenizer.from_pretrained(model_name)
+            self.model = AutoModel.from_pretrained(model_name)
+        except Exception as e:
+            raise RuntimeError(f"Error cargando el modelo {model_name}: {str(e)}")
+
+    def get_embedding(self, texto: str) -> np.ndarray:
+        """
+        Obtiene el embedding de un texto usando el modelo de transformers.
+        
+        Args:
+            texto (str): Texto a procesar
+            
+        Returns:
+            np.ndarray: Vector de embedding
+        """
+        inputs = self.tokenizer(texto, return_tensors="pt", padding=True, truncation=True)
+        with torch.no_grad():
+            outputs = self.model(**inputs)
+        return outputs.last_hidden_state.mean(dim=1).numpy()[0]
+
+    def calcular_similitud(self, texto1: str, texto2: str) -> float:
+        """
+        Compara la similitud semántica entre dos textos.
+        
+        Args:
+            texto1 (str): Primer texto
+            texto2 (str): Segundo texto
+            
+        Returns:
+            float: Score de similitud entre 0 y 1
+        """
+        emb1 = self.get_embedding(texto1)
+        emb2 = self.get_embedding(texto2)
+        similarity = np.dot(emb1, emb2) / (np.linalg.norm(emb1) * np.linalg.norm(emb2))
+        return float(similarity)
+
+class AmbiguityClassifier:
+    """
+    Clasificador de ambigüedades en historias de usuario.
+    Detecta ambigüedades léxicas y sintácticas, y proporciona sugerencias de mejora.
+    """
+    
+    def __init__(self, model_name: str = "PlanTL-GOB-ES/roberta-base-bne"):
+        """
+        Inicializa el clasificador de ambigüedades.
+        
+        Args:
+            model_name (str): Nombre del modelo de HuggingFace a utilizar
+        """
+        try:
+            self.nlp = spacy.load("es_core_news_sm")
+        except OSError:
+            raise RuntimeError("Es necesario instalar el modelo es_core_news_sm. Ejecute: python -m spacy download es_core_news_sm")
+            
+        self.semantic_analyzer = SemanticAnalyzer(model_name)
+
+    def __call__(self, texto: str) -> Dict[str, Union[bool, List[str], float]]:
+        """
+        Analiza una historia de usuario en busca de ambigüedades.
+        
+        Args:
+            texto (str): Historia de usuario a analizar
+            
+        Returns:
+            Dict: Resultado del análisis con tipos de ambigüedad y sugerencias
+        """
+        if not texto or not isinstance(texto, str):
+            return {
+                "tiene_ambiguedad": False,
+                "ambiguedad_lexica": [],
+                "ambiguedad_sintactica": [],
+                "sugerencias": ["El texto está vacío o no es válido"],
+                "score_ambiguedad": 0.0
+            }
+
+        # Procesar el texto con spaCy
+        doc = self.nlp(texto.strip())
+        
+        # Detectar ambigüedades léxicas
+        ambiguedades_lexicas = []
+        for patron in PATRONES_AMBIGUEDAD_LEXICA:
+            if re.search(patron["patron"], texto, re.IGNORECASE):
+                ambiguedades_lexicas.append({
+                    "tipo": patron["tipo"],
+                    "descripcion": patron["descripcion"]
+                })
+
+        # Detectar ambigüedades sintácticas
+        ambiguedades_sintacticas = []
+        for patron in PATRONES_AMBIGUEDAD_SINTACTICA:
+            if re.search(patron["patron"], texto, re.IGNORECASE):
+                ambiguedades_sintacticas.append({
+                    "tipo": patron["tipo"],
+                    "descripcion": patron["descripcion"]
+                })
+
+        # Generar sugerencias de mejora
+        sugerencias = []
+        if ambiguedades_lexicas or ambiguedades_sintacticas:
+            for ambiguedad in ambiguedades_lexicas + ambiguedades_sintacticas:
+                tipo = ambiguedad["tipo"]
+                if tipo in SUGERENCIAS_MEJORA:
+                    sugerencias.extend(SUGERENCIAS_MEJORA[tipo])
+
+        # Calcular score de ambigüedad
+        score = len(ambiguedades_lexicas) * 0.4 + len(ambiguedades_sintacticas) * 0.6
+        score_normalizado = min(1.0, score / 5.0)  # Normalizar a un rango de 0 a 1
+
+        return {
+            "tiene_ambiguedad": bool(ambiguedades_lexicas or ambiguedades_sintacticas),
+            "ambiguedad_lexica": [amb["descripcion"] for amb in ambiguedades_lexicas],
+            "ambiguedad_sintactica": [amb["descripcion"] for amb in ambiguedades_sintacticas],
+            "sugerencias": sugerencias if sugerencias else ["No se encontraron ambigüedades"],
+            "score_ambiguedad": round(score_normalizado, 2)
+        }
+
+    def analizar_similitud_semantica(self, texto1: str, texto2: str) -> float:
+        """
+        Compara la similitud semántica entre dos textos.
+        
+        Args:
+            texto1 (str): Primer texto
+            texto2 (str): Segundo texto
+            
+        Returns:
+            float: Score de similitud entre 0 y 1
+        """
+        return self.semantic_analyzer.calcular_similitud(texto1, texto2) 

requirements.txt

@@ -1,2 +1,14 @@
-gradio
-requests
+gradio>=5.25.2
+requests
+spacy>=3.7.0
+es-core-news-sm @ https://github.com/explosion/spacy-models/releases/download/es_core_news_sm-3.7.0/es_core_news_sm-3.7.0-py3-none-any.whl
+pytest>=8.0.0
+typing-extensions>=4.9.0
+nltk>=3.8.1
+gradio>=4.19.2
+requests>=2.31.0
+pandas>=2.2.0
+transformers>=4.30.0
+torch>=2.0.0
+numpy>=1.24.0
+setuptools>=69.1.0