Delete app.py

app.py

@@ -1,132 +0,0 @@
-import streamlit as st
-import os
-from PyPDF2 import PdfReader
-from langchain.text_splitter import RecursiveCharacterTextSplitter
-from langchain.embeddings import HuggingFaceHubEmbeddings
-from langchain.vectorstores import FAISS
-from langchain.llms import HuggingFaceHub
-from langchain.chains.question_answering import load_qa_chain
-from langchain.prompts import PromptTemplate
-
-st.set_page_config(page_title='preguntaDOC')
-st.header("Pregunta a tu PDF")
-
-# Campo para el token de Hugging Face
-huggingface_api_token = st.text_input('Hugging Face API Token (requerido)', type='password')
-
-# Selección de modelo
-modelo_options = {
-    "Google FLAN-T5 Small": "google/flan-t5-small",
-    "Google FLAN-T5 Base": "google/flan-t5-base",
-    "BLOOM 560M": "bigscience/bloom-560m",
-    "BLOOM 1.1B": "bigscience/bloom-1b1",
-    "Falcon 7B Instruct": "tiiuae/falcon-7b-instruct",
-    "Gemma 2B": "google/gemma-2b",
-    "Gemma 2B Instruct": "google/gemma-2b-it"
-}
-
-selected_model = st.selectbox("Selecciona un modelo:", list(modelo_options.keys()))
-modelo_id = modelo_options[selected_model]
-
-pdf_obj = st.file_uploader("Carga tu documento", type="pdf", on_change=st.cache_resource.clear)
-
-@st.cache_resource 
-def create_embeddings(pdf, api_token):
-    if not api_token:
-        st.error("Se requiere un token de API de Hugging Face")
-        return None
-        
-    os.environ["HUGGINGFACEHUB_API_TOKEN"] = api_token
-    
-    pdf_reader = PdfReader(pdf)
-    text = ""
-    for page in pdf_reader.pages:
-        text += page.extract_text()
-    
-    text_splitter = RecursiveCharacterTextSplitter(
-        chunk_size=800,
-        chunk_overlap=100,
-        length_function=len
-    )        
-    chunks = text_splitter.split_text(text)
-    
-    # Usar HuggingFaceHubEmbeddings
-    embeddings = HuggingFaceHubEmbeddings(
-        repo_id="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",
-        huggingfacehub_api_token=api_token
-    )
-    
-    knowledge_base = FAISS.from_texts(chunks, embeddings)
-    return knowledge_base
-
-if pdf_obj and huggingface_api_token:
-    knowledge_base = create_embeddings(pdf_obj, huggingface_api_token)
-    
-    if knowledge_base:
-        user_question = st.text_input("Haz una pregunta sobre tu PDF:")
-        
-        if user_question:
-            docs = knowledge_base.similarity_search(user_question, 3)
-            
-            # Configurar los parámetros del modelo según el tipo
-            model_kwargs = {}
-            
-            # Verificar el tipo de modelo para usar los parámetros adecuados
-            if "flan-t5" in modelo_id:
-                model_kwargs = {"temperature": 0.5, "max_length": 512}
-            elif "bloom" in modelo_id:
-                model_kwargs = {"temperature": 0.7, "max_length": 512}
-            elif "falcon" in modelo_id or "llama" in modelo_id or "gemma" in modelo_id:
-                model_kwargs = {"temperature": 0.1, "max_new_tokens": 512}
-            else:
-                model_kwargs = {"temperature": 0.5, "max_length": 512}
-            
-            # Crear el LLM con los parámetros adecuados
-            llm = HuggingFaceHub(
-                repo_id=modelo_id,
-                huggingfacehub_api_token=huggingface_api_token,
-                model_kwargs=model_kwargs
-            )
-            
-            # Prompt diferente según el tipo de modelo
-            if "falcon" in modelo_id or "llama" in modelo_id or "gemma" in modelo_id:
-                prompt_template = """
-                <|system|>
-                Responde a la siguiente pregunta basándote únicamente en el contexto proporcionado.
-                </|system|>
-                
-                <|user|>
-                Contexto: {context}
-                
-                Pregunta: {question}
-                </|user|>
-                
-                <|assistant|>
-                """
-            else:
-                prompt_template = """
-                Responde a la siguiente pregunta basándote únicamente en el contexto proporcionado.
-                
-                Contexto: {context}
-                
-                Pregunta: {question}
-                
-                Respuesta:
-                """
-            
-            PROMPT = PromptTemplate(
-                template=prompt_template, 
-                input_variables=["context", "question"]
-            )
-            
-            chain = load_qa_chain(llm, chain_type="stuff", prompt=PROMPT)
-            
-            with st.spinner(f"Procesando tu pregunta con {selected_model}..."):
-                try:
-                    respuesta = chain.run(input_documents=docs, question=user_question)
-                    st.write(respuesta)
-                except Exception as e:
-                    st.error(f"Error al procesar tu pregunta: {str(e)}")
-                    st.info("Sugerencia: Intenta con un modelo diferente. Algunos modelos pueden requerir más recursos o tener limitaciones específicas.")
-elif not huggingface_api_token and pdf_obj:
-    st.warning("Por favor, ingresa tu token de API de Hugging Face para continuar.")