model_app.py

# modal_app.py
import modal
import sys
from pathlib import Path
import os
import traceback # Para imprimir traceback detallado

# --- Configuración ---
PYTHON_VERSION = "3.10"
APP_NAME = "bioprocess-custom-eq-agent-modal"
LOCAL_APP_DIR = Path(__file__).parent
REMOTE_APP_DIR = "/app"

stub = modal.Stub(APP_NAME)

app_image = (
    modal.Image.debian_slim(python_version=PYTHON_VERSION)
    .pip_install_from_requirements(LOCAL_APP_DIR / "requirements.txt")
    .copy_mount(
        modal.Mount.from_local_dir(LOCAL_APP_DIR, remote_path=REMOTE_APP_DIR)
    )
    .env({
        "PYTHONPATH": REMOTE_APP_DIR,
        "HF_HOME": "/cache/huggingface",
        "HF_HUB_CACHE": "/cache/huggingface/hub",
        "TRANSFORMERS_CACHE": "/cache/huggingface/hub",
        "MPLCONFIGDIR": "/tmp/matplotlib_cache"
    })
    .run_commands(
        "apt-get update && apt-get install -y git git-lfs && rm -rf /var/lib/apt/lists/*",
        "mkdir -p /cache/huggingface/hub /tmp/matplotlib_cache"
    )
)

# --- Función Modal para LLM (sin cambios respecto a la anterior respuesta) ---
@stub.function(
    image=app_image,
    gpu="any",
    secrets=[modal.Secret.from_name("huggingface-read-token", optional=True)],
    timeout=600,
    volumes={"/cache/huggingface": modal.Volume.persisted(f"{APP_NAME}-hf-cache-vol")}
)
def generate_analysis_llm_modal_remote(prompt: str, model_path_config: str, max_new_tokens_config: int) -> str:
    import torch # Mover importaciones pesadas dentro de la función Modal
    from transformers import AutoTokenizer, AutoModelForCausalLM
    
    hf_token = os.environ.get("HUGGING_FACE_TOKEN") 
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    print(f"LLM Modal Func: Usando dispositivo: {device}")
    print(f"LLM Modal Func: Cargando modelo: {model_path_config} con token: {'Sí' if hf_token else 'No'}")

    try:
        tokenizer = AutoTokenizer.from_pretrained(model_path_config, cache_dir="/cache/huggingface/hub", token=hf_token)
        model = AutoModelForCausalLM.from_pretrained(
            model_path_config,
            torch_dtype="auto", 
            device_map="auto",
            cache_dir="/cache/huggingface/hub",
            token=hf_token,
        )
        
        # Ajustar longitud de truncamiento para el prompt para dejar espacio a max_new_tokens
        # La longitud total (prompt + generado) no debe exceder el context window del modelo.
        # Asumamos un context window conservador de 4096 si no se conoce.
        model_context_window = getattr(model.config, 'max_position_embeddings', 4096)
        max_prompt_len = model_context_window - max_new_tokens_config - 50 # 50 tokens de buffer
        
        inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=max_prompt_len).to(model.device)

        with torch.no_grad():
            outputs = model.generate(
                **inputs,
                max_new_tokens=max_new_tokens_config,
                eos_token_id=tokenizer.eos_token_id,
                pad_token_id=tokenizer.pad_token_id if tokenizer.pad_token_id is not None else tokenizer.eos_token_id,
                do_sample=True,
                temperature=0.6, 
                top_p=0.9,
            )
        
        input_length = inputs.input_ids.shape[1]
        generated_ids = outputs[0][input_length:]
        analysis = tokenizer.decode(generated_ids, skip_special_tokens=True)
        
        print(f"LLM Modal Func: Longitud del análisis generado: {len(analysis)} caracteres.")
        return analysis.strip()
    except Exception as e:
        error_traceback = traceback.format_exc()
        print(f"Error en generate_analysis_llm_modal_remote: {e}\n{error_traceback}")
        return f"Error al generar análisis con el modelo LLM: {str(e)}"

# --- Servidor Gradio ---
@stub.asgi_app()
def serve_gradio_app_asgi():
    # Estas importaciones ocurren DENTRO del contenedor Modal
    import gradio as gr
    # sys.path ya está configurado por la imagen, pero por si acaso:
    if REMOTE_APP_DIR not in sys.path:
        sys.path.insert(0, REMOTE_APP_DIR)
    
    from UI import create_interface # De tu UI.py
    import interface as app_interface_module # El módulo interface.py
    from config import MODEL_PATH as cfg_MODEL_PATH, MAX_LENGTH as cfg_MAX_LENGTH

    # Wrapper para llamar a la función Modal remota
    def analysis_func_wrapper_for_interface(prompt: str) -> str:
        print("Gradio Backend: Llamando a generate_analysis_llm_modal_remote.remote...")
        return generate_analysis_llm_modal_remote.remote(prompt, cfg_MODEL_PATH, cfg_MAX_LENGTH)

    # Inyectar esta función wrapper en el módulo `interface`
    app_interface_module.generate_analysis_from_modal = analysis_func_wrapper_for_interface
    app_interface_module.USE_MODAL_FOR_LLM_ANALYSIS = True

    # Crear la app Gradio, pasándole la función de procesamiento que ahora está en app_interface_module
    # create_interface ahora toma la función de callback como argumento.
    gradio_ui = create_interface(process_function_for_button=app_interface_module.process_and_plot)
    
    return gr.routes.App.create_app(gradio_ui)

@stub.local_entrypoint()
def test_llm():
    print("Probando la generación de LLM con Modal (localmente)...")
    # Necesitas importar config para que MODEL_PATH y MAX_LENGTH estén definidos
    # Esto debe hacerse dentro de un contexto donde los módulos de la app sean accesibles.
    # Es mejor llamar a la función stub desde aquí.
    if REMOTE_APP_DIR not in sys.path: # Asegurar path para pruebas locales también
        sys.path.insert(0, str(LOCAL_APP_DIR))
    from config import MODEL_PATH, MAX_LENGTH
    
    sample_prompt = "Explica brevemente el concepto de R cuadrado (R²) en el ajuste de modelos."
    # Ejecuta la función Modal directamente (no .remote() para prueba local de lógica)
    # Para probar la ejecución remota real, necesitarías `modal run modal_app.py test_llm`
    # o que test_llm llame a .remote().
    # Aquí vamos a probar la llamada remota.
    try:
        analysis = generate_analysis_llm_modal_remote.remote(sample_prompt, MODEL_PATH, MAX_LENGTH)
        print("\nRespuesta del LLM:")
        print(analysis)
    except Exception as e:
        print(f"Error durante test_llm: {e}")
        traceback.print_exc()