Update app.py

app.py

@@ -3,8 +3,24 @@ import gradio as gr
 import requests
 import inspect
 import pandas as pd
+from typing import List, Dict
+
+# --- Importar las librerías necesarias para el agente ---
+# Para el LLM de Google
+from langchain_google_genai import ChatGoogleGenerativeAI # Para modelos de chat como Gemini
+# Para construir el agente
+from langchain.agents import AgentExecutor, create_react_agent
+from langchain import hub # Para jalar prompts estándar
+from langchain.tools import Tool # Para envolver tus funciones como herramientas
+from langchain_core.prompts import PromptTemplate # Para personalizar el prompt
+# Para la herramienta de búsqueda web
+from langchain_community.tools.tavily_research import TavilySearchResults
+# Para manejar variables de entorno (opcional si solo usas secretos de HF)
+from dotenv import load_dotenv
+
+# Cargar variables de entorno si estás desarrollando localmente
+# load_dotenv() # Descomenta si desarrollas localmente y tienes .env
 
-# (Keep Constants as is)
 # --- Constants ---
 DEFAULT_API_URL = "https://agents-course-unit4-scoring.hf.space"
 
@@ -13,182 +29,185 @@ DEFAULT_API_URL = "https://agents-course-unit4-scoring.hf.space"
 class BasicAgent:
     def __init__(self):
         print("BasicAgent initialized.")
+
+        # --- 1. Configuración de las Claves API ---
+        # Se leerán automáticamente de los secretos del Space de HF o de .env si load_dotenv() se usa.
+        google_api_key = os.getenv("GOOGLE_API_KEY")
+        tavily_api_key = os.getenv("TAVILY_API_KEY")
+
+        if not google_api_key:
+            raise ValueError("GOOGLE_API_KEY environment variable not set. Please add it to your Hugging Face Space secrets.")
+        if not tavily_api_key:
+            raise ValueError("TAVILY_API_KEY environment variable not set. Please add it to your Hugging Face Space secrets.")
+
+        # --- 2. Inicialización del LLM (Gemini Pro) ---
+        # Puedes probar con "gemini-pro" o "gemini-1.5-pro" si tienes acceso y tu Space lo soporta.
+        self.llm = ChatGoogleGenerativeAI(
+            model="gemini-pro",
+            google_api_key=google_api_key,
+            temperature=0.1, # Más bajo para respuestas más consistentes y precisas
+            max_tokens=2048 # Aumenta si necesitas respuestas más largas
+        )
+        print("LLM (Gemini Pro) initialized.")
+
+        # --- 3. Definición de Herramientas ---
+        # a) Tavily Search (MUY IMPORTANTE para GAIA)
+        self.tavily_search_tool = TavilySearchResults(api_key=tavily_api_key, max_results=5) # max_results limita los resultados
+
+        # b) Herramienta para descargar y leer archivos (adaptada de nuestra conversación anterior)
+        # Asegúrate de que DEFAULT_API_URL esté accesible en el scope de la clase
+        self.api_url = DEFAULT_API_URL
+
+        def download_and_read_task_file(task_id: str, filename: str) -> str:
+            """
+            Downloads a file associated with a task_id from the API and returns its content.
+            Supports text, CSV, JSON, and PDF files.
+            Args:
+                task_id (str): The ID of the task associated with the file.
+                filename (str): The name of the file to download (e.g., "document.pdf", "data.csv").
+            Returns:
+                str: The content of the file as a string.
+            """
+            file_url = f"{self.api_url}/files/{task_id}"
+            print(f"DEBUG: Attempting to download file from: {file_url} (filename: {filename})")
+            try:
+                response = requests.get(file_url, timeout=30, stream=True)
+                response.raise_for_status() # Raise an exception for bad status codes
+
+                temp_filepath = f"/tmp/{filename}" # Use /tmp for ephemeral storage in Space
+                with open(temp_filepath, 'wb') as f:
+                    for chunk in response.iter_content(chunk_size=8192):
+                        f.write(chunk)
+
+                content = ""
+                # Process the file based on its extension
+                if filename.lower().endswith(".pdf"):
+                    try:
+                        import pymupdf # type: ignore
+                        doc = pymupdf.open(temp_filepath)
+                        for page in doc:
+                            content += page.get_text()
+                        doc.close()
+                    except ImportError:
+                        content = "Error: pymupdf not installed for PDF reading."
+                    except Exception as e:
+                        content = f"Error reading PDF: {e}"
+                elif filename.lower().endswith((".csv", ".txt", ".json", ".log", ".md")):
+                    with open(temp_filepath, 'r', encoding='utf-8') as f:
+                        content = f.read()
+                elif filename.lower().endswith((".png", ".jpg", ".jpeg", ".gif")):
+                    # Para imágenes, necesitarías OCR. Esto es más complejo.
+                    # Por ahora, solo indicamos que se descargó.
+                    content = f"Image file '{filename}' downloaded. OCR not implemented."
+                else:
+                    content = f"Unsupported file type for {filename}. Cannot extract content."
+
+                os.remove(temp_filepath) # Clean up the temporary file
+
+                return f"Content of {filename}:\n{content[:1000]}..." # Return first 1000 chars for brevity
+            except requests.exceptions.RequestException as e:
+                return f"Error downloading file '{filename}' from {file_url}: {e}"
+            except Exception as e:
+                return f"An unexpected error occurred processing file '{filename}': {e}"
+
+        self.tools = [
+            Tool(
+                name="TavilySearch",
+                func=self.tavily_search_tool.run,
+                description="Útil para buscar información general, hechos, noticias y definiciones en internet. Siempre usa esta herramienta cuando necesites información externa.",
+            ),
+            Tool(
+                name="DownloadAndReadTaskFile",
+                func=download_and_read_task_file,
+                description="Descarga y lee el contenido de un archivo asociado a una tarea específica. Necesita 'task_id' (string) y 'filename' (string, e.g., 'document.pdf', 'data.csv'). Útil cuando la pregunta menciona archivos.",
+            ),
+            # Puedes añadir más herramientas aquí:
+            # - Python REPL si necesitas ejecutar código Python
+            # - Wikipedia si quieres una fuente de conocimiento enciclopédico
+            # - Herramienta de cálculo, etc.
+        ]
+        print(f"Agent initialized with {len(self.tools)} tools.")
+
+
+        # --- 4. Construir el Agente ReAct ---
+        # El prompt estándar de ReAct para modelos de chat
+        # prompt = hub.pull("hwchase17/react-chat") # Puedes probar este también
+
+        # Customización del prompt para "EXACT MATCH"
+        custom_prompt_template = """Responde la siguiente pregunta de forma concisa y directa. Tu objetivo es proporcionar un "EXACT MATCH" con la respuesta correcta.
+
+        INSTRUCCIONES CLAVE:
+        - Si la pregunta requiere un número, solo devuelve el número (ej: 12345).
+        - Si requiere una fecha, solo la fecha en el formato solicitado o más común (ej: 2023-10-26 o October 26, 2023).
+        - Si requiere un nombre, solo el nombre (ej: París).
+        - Si requiere una lista, solo la lista de elementos separados por comas o líneas, sin numeración ni viñetas, a menos que se especifique lo contrario (ej: Manzanas, Peras, Uvas).
+        - NO incluyas ninguna explicación, introducción, despedida, o texto adicional.
+        - Utiliza las herramientas disponibles cuando sea necesario para encontrar la información.
+        - Piensa paso a paso y sé muy preciso en tu razonamiento.
+        - Si la pregunta menciona un archivo, utiliza la herramienta `DownloadAndReadTaskFile` con el `task_id` y el nombre del archivo.
+
+        Question: {input}
+        {agent_scratchpad}"""
+
+        self.prompt = PromptTemplate.from_template(custom_prompt_template)
+
+        # Para create_react_agent, necesitamos decirle qué herramientas están disponibles y sus nombres.
+        # Esto se hace automáticamente si usas hub.pull("hwchase17/react-chat-json") o similar
+        # Pero con un prompt customizado, lo hacemos explícito.
+        self.prompt = self.prompt.partial(
+            tools="\n".join([f"{tool.name}: {tool.description}" for tool in self.tools]),
+            tool_names=", ".join([tool.name for tool in self.tools]),
+        )
+
+
+        self.agent = create_react_agent(self.llm, self.tools, self.prompt)
+        # verbose=True es ESENCIAL para depurar y ver el razonamiento del agente.
+        # handle_parsing_errors=True para que el agente intente recuperarse de errores de formato.
+        self.agent_executor = AgentExecutor(
+            agent=self.agent,
+            tools=self.tools,
+            verbose=True,
+            handle_parsing_errors=True,
+            max_iterations=15, # Limita el número de pasos para evitar bucles infinitos
+            agent_kwargs={"handle_parsing_errors": True} # También en el agente
+        )
+        print("AgentExecutor initialized.")
+
     def __call__(self, question: str) -> str:
-        print(f"Agent received question (first 50 chars): {question[:50]}...")
-        fixed_answer = "This is a default answer."
-        print(f"Agent returning fixed answer: {fixed_answer}")
-        return fixed_answer
-
-def run_and_submit_all( profile: gr.OAuthProfile | None):
-    """
-    Fetches all questions, runs the BasicAgent on them, submits all answers,
-    and displays the results.
-    """
-    # --- Determine HF Space Runtime URL and Repo URL ---
-    space_id = os.getenv("SPACE_ID") # Get the SPACE_ID for sending link to the code
-
-    if profile:
-        username= f"{profile.username}"
-        print(f"User logged in: {username}")
-    else:
-        print("User not logged in.")
-        return "Please Login to Hugging Face with the button.", None
-
-    api_url = DEFAULT_API_URL
-    questions_url = f"{api_url}/questions"
-    submit_url = f"{api_url}/submit"
-
-    # 1. Instantiate Agent ( modify this part to create your agent)
-    try:
-        agent = BasicAgent()
-    except Exception as e:
-        print(f"Error instantiating agent: {e}")
-        return f"Error initializing agent: {e}", None
-    # In the case of an app running as a hugging Face space, this link points toward your codebase ( usefull for others so please keep it public)
-    agent_code = f"https://huggingface.co/spaces/{space_id}/tree/main"
-    print(agent_code)
-
-    # 2. Fetch Questions
-    print(f"Fetching questions from: {questions_url}")
-    try:
-        response = requests.get(questions_url, timeout=15)
-        response.raise_for_status()
-        questions_data = response.json()
-        if not questions_data:
-             print("Fetched questions list is empty.")
-             return "Fetched questions list is empty or invalid format.", None
-        print(f"Fetched {len(questions_data)} questions.")
-    except requests.exceptions.RequestException as e:
-        print(f"Error fetching questions: {e}")
-        return f"Error fetching questions: {e}", None
-    except requests.exceptions.JSONDecodeError as e:
-         print(f"Error decoding JSON response from questions endpoint: {e}")
-         print(f"Response text: {response.text[:500]}")
-         return f"Error decoding server response for questions: {e}", None
-    except Exception as e:
-        print(f"An unexpected error occurred fetching questions: {e}")
-        return f"An unexpected error occurred fetching questions: {e}", None
-
-    # 3. Run your Agent
-    results_log = []
-    answers_payload = []
-    print(f"Running agent on {len(questions_data)} questions...")
-    for item in questions_data:
-        task_id = item.get("task_id")
-        question_text = item.get("question")
-        if not task_id or question_text is None:
-            print(f"Skipping item with missing task_id or question: {item}")
-            continue
+        print(f"\n--- Processing new question (first 100 chars): {question[:100]}...")
         try:
-            submitted_answer = agent(question_text)
-            answers_payload.append({"task_id": task_id, "submitted_answer": submitted_answer})
-            results_log.append({"Task ID": task_id, "Question": question_text, "Submitted Answer": submitted_answer})
+            # Si la pregunta incluye "Task ID: [ID]", extrae el task_id.
+            # GAIA a menudo hace esto para indicar el archivo.
+            task_id_match = re.search(r"Task ID:\s*([\w-]+)", question)
+            current_task_id = task_id_match.group(1) if task_id_match else None
+            print(f"Detected Task ID for question: {current_task_id}")
+
+
+            # Invocar al agente. Aquí es donde el agente usa el LLM y las herramientas.
+            # Pasamos el task_id para que la herramienta de descarga de archivos pueda usarlo si es necesario.
+            # Algunos agentes pueden requerir un formato de input diferente, ReAct usa "input".
+            response = self.agent_executor.invoke({"input": question, "task_id": current_task_id})
+            # La respuesta final del agente React suele estar en 'output'
+            final_answer = response.get("output", "No answer generated by agent.")
+
+            # Post-procesamiento para asegurar EXACT MATCH y eliminar texto adicional
+            # Esto es CRÍTICO para el scoring.
+            final_answer = final_answer.strip()
+            # Elimina cualquier texto como "La respuesta es:", "The final answer is:", etc.
+            # Haz esto solo si detectas que el LLM aún añade verbosidad.
+            # if final_answer.lower().startswith(("the answer is", "la respuesta es", "final answer:")):
+            #     final_answer = re.sub(r"^[Tt]he [Aa]nswer is: |^[Ll]a [Rr]espuesta es: |^[Ff]inal [Aa]nswer: ", "", final_answer, flags=re.IGNORECASE).strip()
+
+            print(f"Agent returning final answer: '{final_answer}'")
+            return final_answer
         except Exception as e:
-             print(f"Error running agent on task {task_id}: {e}")
-             results_log.append({"Task ID": task_id, "Question": question_text, "Submitted Answer": f"AGENT ERROR: {e}"})
-
-    if not answers_payload:
-        print("Agent did not produce any answers to submit.")
-        return "Agent did not produce any answers to submit.", pd.DataFrame(results_log)
-
-    # 4. Prepare Submission 
-    submission_data = {"username": username.strip(), "agent_code": agent_code, "answers": answers_payload}
-    status_update = f"Agent finished. Submitting {len(answers_payload)} answers for user '{username}'..."
-    print(status_update)
-
-    # 5. Submit
-    print(f"Submitting {len(answers_payload)} answers to: {submit_url}")
-    try:
-        response = requests.post(submit_url, json=submission_data, timeout=60)
-        response.raise_for_status()
-        result_data = response.json()
-        final_status = (
-            f"Submission Successful!\n"
-            f"User: {result_data.get('username')}\n"
-            f"Overall Score: {result_data.get('score', 'N/A')}% "
-            f"({result_data.get('correct_count', '?')}/{result_data.get('total_attempted', '?')} correct)\n"
-            f"Message: {result_data.get('message', 'No message received.')}"
-        )
-        print("Submission successful.")
-        results_df = pd.DataFrame(results_log)
-        return final_status, results_df
-    except requests.exceptions.HTTPError as e:
-        error_detail = f"Server responded with status {e.response.status_code}."
-        try:
-            error_json = e.response.json()
-            error_detail += f" Detail: {error_json.get('detail', e.response.text)}"
-        except requests.exceptions.JSONDecodeError:
-            error_detail += f" Response: {e.response.text[:500]}"
-        status_message = f"Submission Failed: {error_detail}"
-        print(status_message)
-        results_df = pd.DataFrame(results_log)
-        return status_message, results_df
-    except requests.exceptions.Timeout:
-        status_message = "Submission Failed: The request timed out."
-        print(status_message)
-        results_df = pd.DataFrame(results_log)
-        return status_message, results_df
-    except requests.exceptions.RequestException as e:
-        status_message = f"Submission Failed: Network error - {e}"
-        print(status_message)
-        results_df = pd.DataFrame(results_log)
-        return status_message, results_df
-    except Exception as e:
-        status_message = f"An unexpected error occurred during submission: {e}"
-        print(status_message)
-        results_df = pd.DataFrame(results_log)
-        return status_message, results_df
-
-
-# --- Build Gradio Interface using Blocks ---
-with gr.Blocks() as demo:
-    gr.Markdown("# Basic Agent Evaluation Runner")
-    gr.Markdown(
-        """
-        **Instructions:**
-        1.  Please clone this space, then modify the code to define your agent's logic, the tools, the necessary packages, etc ...
-        2.  Log in to your Hugging Face account using the button below. This uses your HF username for submission.
-        3.  Click 'Run Evaluation & Submit All Answers' to fetch questions, run your agent, submit answers, and see the score.
-        ---
-        **Disclaimers:**
-        Once clicking on the "submit button, it can take quite some time ( this is the time for the agent to go through all the questions).
-        This space provides a basic setup and is intentionally sub-optimal to encourage you to develop your own, more robust solution. For instance for the delay process of the submit button, a solution could be to cache the answers and submit in a seperate action or even to answer the questions in async.
-        """
-    )
-
-    gr.LoginButton()
-
-    run_button = gr.Button("Run Evaluation & Submit All Answers")
-
-    status_output = gr.Textbox(label="Run Status / Submission Result", lines=5, interactive=False)
-    # Removed max_rows=10 from DataFrame constructor
-    results_table = gr.DataFrame(label="Questions and Agent Answers", wrap=True)
-
-    run_button.click(
-        fn=run_and_submit_all,
-        outputs=[status_output, results_table]
-    )
-
-if __name__ == "__main__":
-    print("\n" + "-"*30 + " App Starting " + "-"*30)
-    # Check for SPACE_HOST and SPACE_ID at startup for information
-    space_host_startup = os.getenv("SPACE_HOST")
-    space_id_startup = os.getenv("SPACE_ID") # Get SPACE_ID at startup
-
-    if space_host_startup:
-        print(f"✅ SPACE_HOST found: {space_host_startup}")
-        print(f"   Runtime URL should be: https://{space_host_startup}.hf.space")
-    else:
-        print("ℹ️  SPACE_HOST environment variable not found (running locally?).")
-
-    if space_id_startup: # Print repo URLs if SPACE_ID is found
-        print(f"✅ SPACE_ID found: {space_id_startup}")
-        print(f"   Repo URL: https://huggingface.co/spaces/{space_id_startup}")
-        print(f"   Repo Tree URL: https://huggingface.co/spaces/{space_id_startup}/tree/main")
-    else:
-        print("ℹ️  SPACE_ID environment variable not found (running locally?). Repo URL cannot be determined.")
-
-    print("-"*(60 + len(" App Starting ")) + "\n")
-
-    print("Launching Gradio Interface for Basic Agent Evaluation...")
-    demo.launch(debug=True, share=False)
+            print(f"Error during agent execution: {e}")
+            # En caso de error, puedes devolver un mensaje de error o una cadena vacía.
+            # Para el scoring, una cadena vacía o un error puede contar como incorrecto.
+            return f"ERROR: {e}"
+
+# El resto del código de `run_and_submit_all` y Gradio permanece igual.
+# ... (código existente) ...
+
+# Asegúrate de importar 're' al principio del archivo si lo usas para task_id_match
+import re