Update app.py

app.py

@@ -1,11 +1,11 @@
-from langchain.hub import HuggingFaceHub
+from langchain.llms import HuggingFaceLLM
 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 Hub
-llm = HuggingFaceHub(repo_id="meta-llama/Llama-3.2", model_kwargs={"temperature": 0})
+# Inicializar el modelo LLaMA 3.2 desde Hugging Face usando HuggingFaceLLM
+llm = HuggingFaceLLM.from_pretrained("meta-llama/Llama-3.2", model_kwargs={"temperature": 0})
 
 # Crear un prompt para la similitud de coseno
 prompt_template = (
@@ -21,20 +21,8 @@ prompt = PromptTemplate.from_template(prompt_template)
 retriever = HuggingFaceRetriever.from_pretrained(
     "facebook/rag-token-nq", index_name="exact"
 )
-index = RagIndex(retriever=retriever)
+index = Ra
 
-# 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