Update app.py

app.py

@@ -42,13 +42,7 @@ def extraer_texto(pdf_path: str) -> str:
     return texto_total
 
 def parsear_con_llm(texto_pdf: str, model: GenerativeModel) -> dict:
-    """
-    Usa el LLM para extraer preguntas y respuestas.
-    Devuelve un dict {"Pregunta X": "Respuesta X", ...}.
-    """
     # Instrucciones para parsear:
-    # - Buscar variaciones de "Pregunta" y "Respuesta" (mayúsculas, minúsculas, plural...)
-    # - Devolver un JSON limpio, sin texto extra.
     prompt = f"""
     Eres un parser de texto. 
     A continuación tienes el contenido de un PDF con un examen (o respuestas).
@@ -60,8 +54,7 @@ def parsear_con_llm(texto_pdf: str, model: GenerativeModel) -> dict:
 
     {{
       "Pregunta 1": "Texto de la respuesta",
-      "Pregunta 2": "Texto de la respuesta",
-      ...
+      "Pregunta 2": "Texto de la respuesta"
     }}
 
     Si hay preguntas sin respuesta, pon la respuesta como cadena vacía.
@@ -70,7 +63,8 @@ def parsear_con_llm(texto_pdf: str, model: GenerativeModel) -> dict:
     Texto PDF:
     {texto_pdf}
     """
-    part_text = Part(mime_type="text/plain", text=prompt)
+    part_text = Part.from_text(prompt)
+
     response = model.generate_content(
         [part_text],
         generation_config=generation_config,
@@ -84,23 +78,14 @@ def parsear_con_llm(texto_pdf: str, model: GenerativeModel) -> dict:
         else:
             return {}
     except:
-        # Si no se pudo parsear como JSON, devolvemos dict vacío
         return {}
 
-def comparar_preguntas_respuestas(
-    dict_docente: dict, dict_alumno: dict
-) -> str:
-    """
-    Recorre las preguntas del dict_docente y 
-    compara con las respuestas del dict_alumno.
-    """
+def comparar_preguntas_respuestas(dict_docente: dict, dict_alumno: dict) -> str:
     retroalimentacion = []
     for pregunta, resp_correcta in dict_docente.items():
         resp_alumno = dict_alumno.get(pregunta, None)
         if resp_alumno is None:
-            retroalimentacion.append(
-                f"**{pregunta}**\nNo fue asignada al alumno.\n"
-            )
+            retroalimentacion.append(f"**{pregunta}**\nNo fue asignada al alumno.\n")
         else:
             retroalimentacion.append(
                 f"**{pregunta}**\n"
@@ -111,52 +96,45 @@ def comparar_preguntas_respuestas(
 
 def revisar_examen(json_cred, pdf_docente, pdf_alumno):
     try:
-        # 1. Configurar credenciales
         configurar_credenciales(json_cred.name)
-
-        # 2. Inicializar Vertex AI
         vertexai.init(project="deploygpt", location="us-central1")
 
-        # 3. Extraer texto de PDFs
         texto_docente = extraer_texto(pdf_docente.name)
         texto_alumno = extraer_texto(pdf_alumno.name)
 
-        # 4. Parsear con LLM para obtener dict de preguntas y respuestas
-        model = GenerativeModel("gemini-1.5-pro-001", system_instruction=["Eres un parser estricto."])
+        model = GenerativeModel(
+            "gemini-1.5-pro-001",
+            system_instruction=["Eres un parser estricto."]
+        )
+
         dict_docente = parsear_con_llm(texto_docente, model)
         dict_alumno = parsear_con_llm(texto_alumno, model)
 
-        # 5. Comparar y generar retroalimentación
         feedback = comparar_preguntas_respuestas(dict_docente, dict_alumno)
 
-        # 6. Generar un summary final con LLM (opcional)
-        # Queda a tu criterio si lo deseas:
         if len(feedback.strip()) < 5:
-            return "No se encontraron preguntas/ respuestas válidas."
+            return "No se encontraron preguntas o respuestas válidas."
         
-        # Llamada final al modelo para un summary:
         summary_prompt = f"""
         Eres un profesor experto. Te muestro la comparación de preguntas y respuestas:
         {feedback}
         Por favor, genera un breve resumen del desempeño del alumno 
         sin inventar preguntas adicionales.
         """
-        summary_part = Part(mime_type="text/plain", text=summary_prompt)
+        summary_part = Part.from_text(summary_prompt)
         summary_resp = model.generate_content(
             [summary_part],
             generation_config=generation_config,
             safety_settings=safety_settings,
             stream=False
         )
-        summary_text = summary_resp.text.strip()
-
-        return f"{feedback}\n\n**Resumen**\n{summary_text}"
+        return f"{feedback}\n\n**Resumen**\n{summary_resp.text.strip()}"
 
     except Exception as e:
         return f"Error al procesar: {str(e)}"
 
+import gradio as gr
 
-# Interfaz Gradio
 interface = gr.Interface(
     fn=revisar_examen,
     inputs=[
@@ -170,3 +148,4 @@ interface = gr.Interface(
 )
 
 interface.launch(debug=True)
+