import gradio as gr
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.core import Settings

# Configurar embeddings gratuitos y parser
Settings.node_parser = SentenceSplitter(chunk_size=512, chunk_overlap=50)
Settings.embed_model = HuggingFaceEmbedding(model_name="sentence-transformers/all-MiniLM-L6-v2")

# Cargar documentos y construir índice
documents = SimpleDirectoryReader(input_dir=".", recursive=True, required_exts=[".pdf"]).load_data()
index = VectorStoreIndex.from_documents(documents)

# Crear motor de consulta
query_engine = index.as_query_engine()

def responder(pregunta):
    respuesta = query_engine.query(pregunta)
    return str(respuesta)

iface = gr.Interface(fn=responder, inputs="text", outputs="text",
                     title="Asistente de Bioestadística",
                     description="Haz una pregunta sobre el curso. Responderé basándome en el sílabo y calendario oficial.")
iface.launch()