File size: 1,810 Bytes
108508b |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 |
from langchain_community.vectorstores import Chroma
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.chat_models import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain import hub
import gradio as gr
import os
# Configurar tu clave de OpenAI (puedes usar otra fuente Hugging Face si prefieres)
openai_api_key = os.environ.get("OPENAI_API_KEY", "")
# Modelo remoto (si prefieres usar otro, aqu铆 se cambia)
llm = ChatOpenAI(openai_api_key=openai_api_key, model="gpt-3.5-turbo", temperature=0)
parser = StrOutputParser()
# Cargar embeddings (debe ser el mismo modelo que usaste en Colab)
embedding_function = HuggingFaceEmbeddings(
model_name="sentence-transformers/paraphrase-multilingual-mpnet-base-v2",
model_kwargs={"device": "cpu"}
)
# Cargar vectorstore persistente
vectordb = Chroma(
persist_directory="chroma_db",
embedding_function=embedding_function
)
# Funci贸n RAG
def responder_pregunta(query):
docs = vectordb.similarity_search_with_score(query, k=5)
prompt = hub.pull("rlm/rag-prompt")
rag_chain = prompt | llm | parser
context = []
for doc, score in docs:
if score < 7:
context.append(doc.page_content)
if context:
context_text = "\n".join(context)
result = rag_chain.invoke({"context": context_text, "question": query})
return result
else:
return "No tengo informaci贸n suficiente para responder a esta pregunta."
# Interfaz Gradio
gr.Interface(
fn=responder_pregunta,
inputs=gr.Textbox(label="Pregunta sobre nutrici贸n"),
outputs="text",
title="Sistema de Preguntas sobre Nutrici贸n",
description="Pregunta sobre el contenido del manual cl铆nico. Basado en RAG con LangChain y Hugging Face."
).launch()
|