Update de Abogado Inmobiliario

app.py

@@ -3,17 +3,17 @@ from flask import Flask, request, jsonify, render_template
 import PyPDF2
 from openai import OpenAI
 
-app = Flask(__name__)
+# 1. MODIFICACIÓN CLAVE AQUÍ: 
+# Le decimos a Flask que la carpeta de plantillas (template_folder) es el directorio actual ('.').
+app = Flask(__name__, template_folder='.') 
 
 # Lee la clave de API desde una variable de entorno. 
-# ¡Asegúrate de que 'OPENAI_API_KEY' esté configurada en Hugging Face Spaces!
 client = OpenAI(
     api_key=os.environ.get("OPENAI_API_KEY"),
 )
 
 def extract_text_from_file(file):
     """Extrae el texto de archivos .txt y .pdf."""
-    # Nota: Para CTLs complejos, la extracción de PDF podría necesitar librerías más robustas.
     if file.filename.endswith('.pdf'):
         pdf_reader = PyPDF2.PdfReader(file)
         text = ""
@@ -27,14 +27,14 @@ def extract_text_from_file(file):
 
 def generate_summary_openai(text):
     """
-    Genera un análisis experto de 5 puntos clave
-    basado en el contenido de un Certificado de Tradición y Libertad (CTL)
-    o Matrícula Inmobiliaria, utilizando el modelo GPT-3.5.
+    Genera un análisis experto de 5 puntos clave para CTL/Matrícula Inmobiliaria.
+    (El prompt especializado se mantiene igual, se omite por brevedad)
     """
     try:
+        # **PROMPT ESPECIALIZADO NO MODIFICADO** (Se mantiene como experto legal)
         prompt_text = (
-            "Eres un **abogado experto en derecho inmobiliario colombiano** y en el análisis de Certificados de Tradición y Libertad (CTL) o Matrículas Inmobiliarias. "
-            "Tu tarea es analizar exhaustivamente la historia registral del inmueble a partir del texto proporcionado y responder con un resumen de **5 puntos clave** utilizando viñetas. "
+            "Eres un abogado experto en derecho inmobiliario colombiano y en el análisis de Certificados de Tradición y Libertad (CTL) o Matrículas Inmobiliarias. "
+            "Tu tarea es analizar exhaustivamente la historia registral del inmueble a partir del texto proporcionado y responder con un resumen de 5 puntos clave utilizando viñetas. "
             "Los 5 puntos deben ser críticos para un estudio de títulos:\n\n"
             
             "1. **Identificación del Predio y Propietario**: Menciona el número de la Matrícula Inmobiliaria y el nombre del o los propietarios actuales (o del fiduciario si está en fiducia).\n"
@@ -47,29 +47,27 @@ def generate_summary_openai(text):
         )
 
         response = client.chat.completions.create(
-            model="gpt-3.5-turbo", # Modelo rápido y eficiente
+            model="gpt-3.5-turbo",
             messages=[
                 {"role": "system", "content": prompt_text}
             ],
-            max_tokens=400, # Aumentado para dar espacio a respuestas más detalladas
+            max_tokens=400, 
             n=1,
-            stop=None,
-            temperature=0.3, # Bajada la temperatura para obtener respuestas más objetivas y menos creativas
+            temperature=0.3,
         )
         
         summary_raw = response.choices[0].message.content.strip()
-        # Aseguramos que los puntos estén en una lista, incluso si el modelo usa números o guiones
         summary_points = [line.strip() for line in summary_raw.split('\n') if line.strip()]
         return summary_points
         
     except Exception as e:
         print(f"Error al llamar a la API de OpenAI: {e}")
-        # En caso de error, siempre devolvemos el mensaje de error original para el frontend
         return ["Error al generar el resumen. Por favor, verifica tu clave de API o intenta de nuevo."]
 
 @app.route('/')
 def index():
-    return render_template('index.html')
+    # El archivo 'index.html' será buscado en el directorio raíz gracias a la modificación arriba.
+    return render_template('index.html') 
 
 @app.route('/summarize', methods=['POST'])
 def summarize():
@@ -88,8 +86,8 @@ def summarize():
         summary = generate_summary_openai(raw_text)
         return jsonify({'summary': summary})
     except Exception as e:
-        return jsonify({'error': str(e)}), 500
+        # Capturamos cualquier error interno de la aplicación o de la API
+        return jsonify({'error': f"Error interno: {str(e)}"}), 500
 
 if __name__ == '__main__':
-    # Flask utiliza el puerto 5000 localmente, pero en Docker/Hugging Face usará 7860
     app.run(debug=True)