app.py

import streamlit as st
from langchain.vectorstores import FAISS
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage
import os

# Cargar FAISS + embeddings
@st.cache_resource
def cargar_base():
    embedding_model = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
    return FAISS.load_local("mi_base_faiss", embedding_model, allow_dangerous_deserialization=True)

db = cargar_base()

# Inicializar modelo ChatOpenAI
@st.cache_resource
def cargar_llm():
    openai_api_key = os.environ["OPENAI_API_KEY"]
    return ChatOpenAI(openai_api_key=openai_api_key, model_name="gpt-3.5-turbo")

llm = cargar_llm()

# Interfaz Streamlit
st.title("Chatbot RAG con GPT-3.5 Turbo 🤖📄")
pregunta = st.text_input("Escribí tu pregunta:")

if pregunta:
    docs = db.similarity_search(pregunta, k=3)
    contexto = "\n".join([doc.page_content for doc in docs])
    prompt = f"""Respondé la siguiente pregunta usando exclusivamente el contexto a continuación. Si no encontrás la respuesta en el contexto, decí "No tengo información suficiente".

Contexto:
{contexto}

Pregunta:
{pregunta}
"""

    respuesta = llm([HumanMessage(content=prompt)])
    st.write("**Respuesta:**", respuesta.content)