Update app.py

app.py

@@ -19,27 +19,20 @@ css_style = """
         font-size: 24px;
         font-weight: bold;
     }
+    .response-box {
+        padding: 20px;
+        background-color: #f8f9fa;
+        border-radius: 10px;
+        border-left: 5px solid #252850;
+        margin: 20px 0;
+        box-shadow: 0 2px 4px rgba(0,0,0,0.1);
+    }
     .metadata-box {
         padding: 20px;
         background-color: #f0f2f6;
         border-radius: 10px;
         margin-bottom: 20px;
     }
-    .metadata-title {
-        font-size: 18px;
-        color: #2e3b4e;
-        margin-bottom: 10px;
-    }
-    button {
-        height: 35px;
-        width: 120px;
-        font-size: 14px;
-        background-color: #252850;
-        color: white;
-        border: none;
-        border-radius: 5px;
-        cursor: pointer;
-    }
     .custom-input {
         font-size: 16px;
         padding: 10px;
@@ -49,6 +42,10 @@ css_style = """
 </style>
 """
 
+def eliminar_proceso_pensamiento(texto):
+    """Elimina todo contenido entre  incluyendo las etiquetas"""
+    return re.sub(r'', '', texto, flags=re.DOTALL).strip()
+
 def get_pdf_text(pdf_docs):
     text = ""
     for pdf in pdf_docs:
@@ -67,35 +64,19 @@ def get_vector_store(text_chunks):
 
 def get_conversational_chain():
     prompt_template = """
-    Responde la pregunta en español de la manera más detallada posible a partir del contexto proporcionado. 
-    Si la respuesta no está en el contexto, di "No disponible en el documento".
-    Contexto:
-    {context}
-    Pregunta:
-    {question}
-    Respuesta:
-    """
-    model = ChatGroq(
-        temperature=0.3,
-        model_name="deepseek-r1-distill-llama-70b",
-        groq_api_key=os.getenv("GROQ_API_KEY")
-    )
-    return load_qa_chain(model, chain_type="stuff", 
-                       prompt=PromptTemplate(template=prompt_template, 
-                                           input_variables=["context", "question"]))
-
-def get_metadata_chain():
-    prompt_template = """
-    Responde ÚNICAMENTE con el dato solicitado usando el contexto. Máximo 5 palabras. 
-    Si no hay información, responde "No disponible".
+    Responde en español exclusivamente con la información solicitada usando el contexto. 
+    Formato: Respuesta directa sin prefijos. Si no hay información, di "No disponible".
+    
     Contexto:
     {context}
+    
     Pregunta:
     {question}
+    
     Respuesta:
     """
     model = ChatGroq(
-        temperature=0.1,
+        temperature=0.2,
         model_name="deepseek-r1-distill-llama-70b",
         groq_api_key=os.getenv("GROQ_API_KEY")
     )
@@ -103,9 +84,6 @@ def get_metadata_chain():
                        prompt=PromptTemplate(template=prompt_template, 
                                            input_variables=["context", "question"]))
 
-def eliminar_texto_entre_tags(texto):
-    return re.sub(r'', '', texto, flags=re.DOTALL)
-
 def extract_metadata(vector_store):
     metadata_questions = {
         "title": "¿Cuál es el título principal del documento?",
@@ -114,7 +92,7 @@ def extract_metadata(vector_store):
     }
     
     metadata = {}
-    chain = get_metadata_chain()
+    chain = get_conversational_chain()
     
     for key, question in metadata_questions.items():
         docs = vector_store.similarity_search(question, k=2)
@@ -122,24 +100,32 @@ def extract_metadata(vector_store):
             {"input_documents": docs, "question": question},
             return_only_outputs=True
         )
-        clean_response = eliminar_texto_entre_tags(response['output_text']).strip()
+        clean_response = eliminar_proceso_pensamiento(response['output_text'])
         metadata[key] = clean_response if clean_response else "No disponible"
     
     return metadata
 
-def user_input(user_question):
+def mostrar_respuesta(texto):
+    """Muestra la respuesta formateada en un contenedor especial"""
+    with st.container():
+        st.markdown(f'<div class="response-box">{texto}</div>', unsafe_allow_html=True)
+
+def procesar_consulta(user_question):
     if 'vector_store' not in st.session_state:
         st.error("Por favor carga un documento primero")
         return
     
+    chain = get_conversational_chain()
     docs = st.session_state.vector_store.similarity_search(user_question)
-    response = get_conversational_chain()(
-        {"input_documents": docs, "question": user_question},
-        return_only_outputs=True
-    )
     
-    clean_response = eliminar_texto_entre_tags(response['output_text'])
-    st.markdown(f"### Respuesta:\n{clean_response}")
+    with st.spinner("Analizando documento..."):
+        response = chain(
+            {"input_documents": docs, "question": user_question},
+            return_only_outputs=True
+        )
+        
+    respuesta_final = eliminar_proceso_pensamiento(response['output_text'])
+    mostrar_respuesta(respuesta_final)
 
 def main():
     st.set_page_config(page_title="PDF Consultor 🔍", page_icon="🔍", layout="wide")
@@ -147,65 +133,79 @@ def main():
     st.markdown(css_style, unsafe_allow_html=True)
 
     # Sidebar - Carga de documentos
-    st.sidebar.markdown('<p class="step-number">1 Subir archivos</p>', unsafe_allow_html=True)
-    pdf_docs = st.sidebar.file_uploader(
-        "Subir archivo PDF", 
-        accept_multiple_files=True,
-        type=["pdf"],
-        key="pdf_uploader"
-    )
+    with st.sidebar:
+        st.markdown('<p class="step-number">1 Subir archivos</p>', unsafe_allow_html=True)
+        pdf_docs = st.file_uploader(
+            "Subir PDF(s)", 
+            accept_multiple_files=True,
+            type=["pdf"],
+            label_visibility="collapsed"
+        )
 
     # Procesamiento automático al cargar documentos
-    if pdf_docs and (not st.session_state.get('processed') or st.sidebar.button("Re-procesar")):
+    if pdf_docs and not st.session_state.get('processed'):
         with st.spinner("Analizando documento..."):
             try:
-                # Procesamiento de texto
                 raw_text = get_pdf_text(pdf_docs)
                 text_chunks = get_text_chunks(raw_text)
                 vector_store = get_vector_store(text_chunks)
                 
-                # Extracción de metadatos
                 st.session_state.metadata = extract_metadata(vector_store)
                 st.session_state.vector_store = vector_store
                 st.session_state.processed = True
                 
+                st.rerun()
+                
             except Exception as e:
                 st.error(f"Error procesando documento: {str(e)}")
 
     # Mostrar metadatos
     if 'metadata' in st.session_state:
         st.markdown("---")
-        st.subheader("📄 Información del Documento")
+        cols = st.columns(3)
+        campos = [
+            ("📄 Título", "title"),
+            ("🏛️ Entidad", "entity"), 
+            ("📅 Fecha Implantación", "date")
+        ]
         
-        col1, col2, col3 = st.columns(3)
-        with col1:
-            st.markdown(f"**Título:**  \n{st.session_state.metadata['title']}")
-        with col2:
-            st.markdown(f"**Entidad:**  \n{st.session_state.metadata['entity']}")
-        with col3:
-            st.markdown(f"**Fecha de Implantación:**  \n{st.session_state.metadata['date']}")
+        for col, (icono, key) in zip(cols, campos):
+            with col:
+                st.markdown(f"""
+                <div class="metadata-box">
+                    <div class="metadata-title">{icono}</div>
+                    {st.session_state.metadata[key]}
+                </div>
+                """, unsafe_allow_html=True)
         st.markdown("---")
 
-    # Interfaz de preguntas
-    st.sidebar.markdown('<p class="step-number">2 Realizar consultas</p>', unsafe_allow_html=True)
-    
-    user_question = st.text_input(
-        "Escribe tu pregunta sobre el documento:",
-        placeholder="Ej: ¿Qué normativa regula este proceso?",
-        key="question_input"
-    )
-    
-    col1, col2 = st.columns(2)
-    with col1:
-        if st.button("📝 Resumen ejecutivo"):
-            user_input("Genera un resumen ejecutivo de máximo 3 párrafos")
-    with col2:
-        if st.button("📅 Fechas clave"):
-            user_input("Lista las fechas importantes mencionadas en el documento")
-    
-    if user_question:
-        with st.spinner("Buscando respuesta..."):
-            user_input(user_question)
+    # Interfaz de consultas
+    with st.form("consulta_form"):
+        col1, col2 = st.columns([5, 1])
+        with col1:
+            user_question = st.text_input(
+                "Escribe tu pregunta:",
+                placeholder="Ej: ¿Qué normativa regula este proceso?",
+                label_visibility="collapsed"
+            )
+        with col2:
+            st.markdown("<br>", unsafe_allow_html=True)
+            enviar = st.form_submit_button("Enviar ▶")
+
+        botones_rapidos = st.columns(3)
+        with botones_rapidos[0]:
+            if st.form_submit_button("📝 Resumen ejecutivo"):
+                user_question = "Genera un resumen ejecutivo de máximo 3 párrafos"
+        with botones_rapidos[1]:
+            if st.form_submit_button("🏛️ Entidad relacionada"):
+                user_question = "¿A qué organización o entidad pertenece este documento?"
+        with botones_rapidos[2]:
+            if st.form_submit_button("📅 Fechas clave"):
+                user_question = "Lista las fechas importantes mencionadas en orden cronológico"
+
+    if user_question and enviar:
+        procesar_consulta(user_question)
 
 if __name__ == "__main__":
     main()
+