model_app.py

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

# --- Configuración ---
PYTHON_VERSION = "3.10"
APP_NAME = "bioprocess-custom-eq-agent-modal"
LOCAL_APP_DIR = Path(__file__).parent
REMOTE_APP_DIR = "/app" # Directorio donde se copiarán los archivos en el contenedor Modal

stub = modal.Stub(APP_NAME)

app_image = (
    modal.Image.debian_slim(python_version=PYTHON_VERSION)
    .pip_install_from_requirements(LOCAL_APP_DIR / "requirements.txt") # Lee desde tu requirements.txt
    .copy_mount( # Copia todos los archivos de la app
        modal.Mount.from_local_dir(LOCAL_APP_DIR, remote_path=REMOTE_APP_DIR)
    )
    .env({ # Configura variables de entorno dentro del contenedor
        "PYTHONPATH": REMOTE_APP_DIR, # Permite importar módulos desde /app
        "HF_HOME": "/cache/huggingface",
        "HF_HUB_CACHE": "/cache/huggingface/hub",
        "TRANSFORMERS_CACHE": "/cache/huggingface/hub",
        "MPLCONFIGDIR": "/tmp/matplotlib_cache" # Evita warnings de matplotlib
    })
    .run_commands( # Comandos a ejecutar durante la construcción de la imagen
        "apt-get update && apt-get install -y git git-lfs && rm -rf /var/lib/apt/lists/*",
        "mkdir -p /cache/huggingface/hub /tmp/matplotlib_cache" # Crea directorios de caché
    )
)

# --- Función Modal para LLM (sin cambios significativos respecto a la respuesta completa anterior) ---
@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 
    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, trust_remote_code=True)
        model = AutoModelForCausalLM.from_pretrained(
            model_path_config,
            torch_dtype="auto", 
            device_map="auto",
            cache_dir="/cache/huggingface/hub",
            token=hf_token,
            trust_remote_code=True
        )
        
        model_context_window = getattr(model.config, 'max_position_embeddings', getattr(model.config, 'sliding_window', 4096))
        if model_context_window is None : model_context_window = 4096
        
        max_prompt_len = model_context_window - max_new_tokens_config - 50 
        if max_prompt_len <=0 : max_prompt_len = model_context_window // 2 

        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(image=app_image)
def serve_gradio_app_asgi():
    import gradio as gr
    
    # El PYTHONPATH ya está configurado en la imagen, pero una verificación no daña.
    if REMOTE_APP_DIR not in sys.path:
        sys.path.insert(0, REMOTE_APP_DIR)
        print(f"INFO (modal_app.py @asgi): Añadido {REMOTE_APP_DIR} a sys.path")
    
    # --- Neutralización del decorador GPU de Spaces, DENTRO del contexto Modal ---
    # Esto asegura que cualquier importación de `gradio` o `decorators`
    # no cause problemas con el chequeo de `@spaces.GPU`.
    try:
        import decorators # Importa TU decorators.py
        class _GPUNeutralizerInModal:
            def __init__(self, *args, **kwargs): pass
            def __call__(self, func): return func
        
        # Sobrescribir la clase GPU y el decorador en el módulo 'decorators'
        # para esta instancia del servidor ASGI.
        decorators.ActualSpacesGPU = _GPUNeutralizerInModal # Si decorators.py usa este nombre
        decorators._GPU_decorator_target = _GPUNeutralizerInModal # Si decorators.py usa este
        decorators.gpu_decorator = lambda duration=0: lambda func: func # Neutralizar el decorador
        print("INFO (modal_app.py @asgi): Decoradores GPU de 'spaces' neutralizados para el entorno Modal.")
    except ImportError:
        print("ADVERTENCIA (modal_app.py @asgi): Módulo 'decorators' no encontrado durante la neutralización. Puede ser OK.")
    except Exception as e_neut_modal:
        print(f"ADVERTENCIA (modal_app.py @asgi): Error durante la neutralización de decoradores en Modal: {e_neut_modal}")
    # --- Fin de la neutralización ---

    # Importar los módulos de la aplicación DESPUÉS de la neutralización y config de path
    from UI import create_interface
    import interface as app_interface_module
    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_modal(prompt: str) -> str:
        print("Gradio Backend (Modal): Llamando a generate_analysis_llm_modal_remote.remote...")
        return generate_analysis_llm_modal_remote.remote(prompt, cfg_MODEL_PATH, cfg_MAX_LENGTH)

    app_interface_module.generate_analysis_from_modal = analysis_func_wrapper_for_interface_modal
    app_interface_module.USE_MODAL_FOR_LLM_ANALYSIS = True
    print("INFO (modal_app.py @asgi): Runner de LLM Modal inyectado en el módulo 'interface'.")

    gradio_ui_instance = create_interface(process_function_for_button=app_interface_module.process_and_plot)
    
    print("INFO (modal_app.py @asgi): Interfaz Gradio creada y lista para ser servida por Modal.")
    return gr.routes.App.create_app(gradio_ui_instance)

@stub.local_entrypoint()
def test_llm_local_entry():
    print("Probando la generación de LLM con Modal (local_entrypoint)...")
    if str(LOCAL_APP_DIR) not in sys.path:
        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."
    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_local_entry: {e}")
        traceback.print_exc()