knowledge_base/chat_initializer.py

import tempfile
import os
import shutil
import uuid 
from knowledge_base.utils_kb import cargar_documentos_resumenes
from langchain.text_splitter import CharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
# from langchain_chroma import Chroma
from langchain_community.vectorstores import Chroma
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationalRetrievalChain

MODEL = "gpt-4o-mini"

def inicializar_chat(session_id):
    documentos, mensaje = cargar_documentos_resumenes(session_id)

    if documentos is None:
        return None, mensaje

    if not documentos:
        return None, "⚠️ No se encontraron textos en la base de conocimiento."

    # Embeddings y vectorstore. Separar en chunks (no se dividirán los posteos si cada texto < 1000)
    # splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
    # chunks = splitter.split_documents(documentos) 

    # 🚫 NO HACEMOS SPLITTING EN CHUNKS
    chunks = documentos  # cada documento es un chunk completo    

    # Crear embeddings y almacenar vectorstore
    persist_path = os.path.join(tempfile.gettempdir(), f"vector_db_{session_id}_{str(uuid.uuid4())[:8]}")
    if os.path.exists(persist_path):
        shutil.rmtree(persist_path)

    embeddings = OpenAIEmbeddings()
    vectorstore = Chroma.from_documents(chunks, embedding=embeddings, persist_directory=persist_path)

    # Crear el LLM y la cadena de recuperación
    llm = ChatOpenAI(model_name=MODEL, temperature=0.7)
    memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
    # retriever = vectorstore.as_retriever()
    k = min(100, len(documentos))
    retriever = vectorstore.as_retriever(search_kwargs={"k": k})

    chain = ConversationalRetrievalChain.from_llm(llm=llm, retriever=retriever, memory=memory)

    return chain, f"✅ Chat cargado con éxito. Base cargada con {len(chunks)} resumenes. Ahora puedes comenzar a escribir tus consultas abajo. 🚀"