app.py

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, aquí 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
)

# Función 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 información suficiente para responder a esta pregunta."

# Interfaz Gradio
gr.Interface(
    fn=responder_pregunta,
    inputs=gr.Textbox(label="Pregunta sobre nutrición"),
    outputs="text",
    title="Sistema de Preguntas sobre Nutrición",
    description="Pregunta sobre el contenido del manual clínico. Basado en RAG con LangChain y Hugging Face."
).launch()