Update app.py

app.py

@@ -30,21 +30,39 @@ def generate_text(context, query):
     return response
     
 def test_rag_reranking(query, ranker):
+    print(f"\n🔍 Pregunta recibida: {query}")
+
     docs = vectordb.similarity_search_with_score(query)
-    context = []
+    print(f"🔎 Documentos recuperados: {len(docs)}")
 
-    for doc, score in docs:
+    context = []
+    for i, (doc, score) in enumerate(docs):
+        print(f"📄 Doc {i} - Score: {score}")
         if score < 7:
             doc_details = doc.to_json()['kwargs']
-            context.append(doc_details['page_content'])
+            content = doc_details['page_content']
+            context.append(content)
+            print(f"✅ Doc {i} agregado al contexto")
 
     if not context:
+        print("❌ No se encontró contexto relevante.")
         return "No se encontró información suficiente para responder."
 
-    reranked = ranker.rank(query=query, documents=context, top_k=1)
-    best_context = reranked[0]["text"]  
+    print(f"📚 Contextos pasados al ranker: {len(context)}")
+
+    # Rankeamos (CORREGIDO: argumentos posicionales)
+    reranked = ranker.rank(query, context, 1)
+    print(f"🏅 Resultado del reranker: {reranked}")
+
+    # Usa 'text' o 'content' según lo que haya
+    best_context = reranked[0].get("text", reranked[0].get("content", ""))
+    print(f"🧠 Contexto elegido: {best_context[:300]}...")  # Muestra solo los primeros 300 caracteres
+
+    respuesta = generate_text(best_context, query)
+    print(f"💬 Respuesta generada: {respuesta}")
+
+    return respuesta
 
-    return generate_text(best_context, query)
 
 def responder_chat(message, history):
     respuesta = test_rag_reranking(message, ranker)