Update app.py

app.py

@@ -1,3 +1,44 @@
+from langchain.llms import HuggingFace
+from langchain.chains import LLMChain
+from langchain.prompts import PromptTemplate
+from langchain.indexes import RagIndex
+from langchain.retrievers import HuggingFaceRetriever
+
+# Inicializar el modelo LLaMA 3.2 desde Hugging Face
+llm = HuggingFace(model="meta-llama/Llama-3.2-1B")
+
+# Crear un prompt para la similitud de coseno
+prompt_template = (
+    "Dado el siguiente par de frases, calcula la similitud de coseno: "
+    "Frase 1: '{phrase_1}' y Frase 2: '{phrase_2}'. "
+    "Proporciona solo el puntaje de similitud de coseno como un número entre 0 y 1."
+)
+
+# Crear el template de prompt
+prompt = PromptTemplate.from_template(prompt_template)
+
+# Crear un RAG Index usando LangChain y Hugging Face Retriever
+retriever = HuggingFaceRetriever.from_pretrained(
+    "facebook/rag-token-nq", index_name="exact"
+)
+index = RagIndex(retriever=retriever)
+
+# Crear la cadena LLM con el modelo LLaMA y el prompt
+llm_chain = LLMChain(llm=llm, prompt=prompt)
+
+# Definir las frases para calcular la similitud de coseno
+phrase_1 = "Deep learning involves neural networks for complex data patterns."
+phrase_2 = "Neural networks are core components in deep learning."
+
+# Ejecutar la cadena con las frases dadas
+result = llm_chain.run(phrase_1=phrase_1, phrase_2=phrase_2)
+
+# Imprimir el puntaje de similitud de coseno
+print(f"Cosine Similarity Score: {result}")
+
+
+
+'''
 import pandas as pd
 from langchain.chains import LLMChain, RAGChain
 from langchain.prompts import PromptTemplate
@@ -70,7 +111,7 @@ if uploaded_file:
     st.write(df)
 else:
     st.write("No se ha subido un archivo")
-
+'''
 '''
 import pandas as pd
 from langchain.chains import LLMChain