Update app.py

app.py

@@ -1,77 +1,10 @@
-import gradio as gr
-from huggingface_hub import InferenceClient
-import requests
-
-# Configura tu cliente de modelo de Hugging Face
-client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")
-
-# Tu clave de API de Google Custom Search
-GOOGLE_API_KEY = "AIzaSyDI48Q_Ez8-KXQ6Dfe_r7JyOkk-dloER0I"
-# Tu ID de motor de búsqueda
-SEARCH_ENGINE_ID = "030a88810b398467c"
-
-def web_search(query):
-    # Realiza la búsqueda en Google
-    url = f"https://www.googleapis.com/customsearch/v1?q={query}&key={GOOGLE_API_KEY}&cx={SEARCH_ENGINE_ID}"
-    
-    try:
-        response = requests.get(url)
-        response.raise_for_status()  # Lanza un error si la respuesta no es exitosa
-        results = response.json()
-
-        if "items" in results:
-            # Devuelve un resumen de los primeros resultados
-            search_results = []
-            for item in results["items"]:
-                title = item.get("title", "No title")
-                link = item.get("link", "")
-                snippet = item.get("snippet", "")
-                search_results.append(f"{title}: {snippet} ({link})")
-            return "\n".join(search_results)  # Devuelve los resultados como texto
-        else:
-            return "No se encontraron resultados relevantes."
-    
-    except requests.exceptions.RequestException as e:
-        # Maneja errores de la API, como problemas de conexión
-        return f"Error al realizar la búsqueda: {e}"
+from transformers import pipeline
 
-# Define la función del chatbot con navegación web
-def respond(message, history, system_message, max_tokens, temperature, top_p):
-    # Prepara el contexto de la conversación para el modelo
-    messages = [{"role": "system", "content": system_message}]
-    for val in history:
-        if val[0]:
-            messages.append({"role": "user", "content": val[0]})
-        if val[1]:
-            messages.append({"role": "assistant", "content": val[1]})
+pipe = pipeline("text-generation", model="carlosdimare/qclase")
 
-    # Realiza la búsqueda en la web
-    search_summary = web_search(message)
-    
-    # Incluye los resultados de la búsqueda en el contexto para el modelo
-    messages.append({"role": "system", "content": f"Search results:\n{search_summary}"})
-    
-    # Genera la respuesta del modelo
-    response = client.text_completion(
-        prompt=message, max_tokens=max_tokens, temperature=temperature, top_p=top_p
-    )
+def responder(prompt):
+    respuesta = pipe(prompt, max_new_tokens=200, do_sample=True)[0]["generated_text"]
+    return respuesta
 
-    return response
-
-# Interfaz de Gradio
-with gr.Blocks() as demo:
-    chatbot = gr.Chatbot()
-    msg = gr.Textbox()
-    clear = gr.Button("Clear")
-
-    def chat_interface(user_message, history=[]):
-        output = respond(
-            user_message, history, "You are a helpful assistant.", 200, 0.7, 0.9
-        )
-        history.append((user_message, output))
-        return history, chatbot.update(history)
-
-    msg.submit(chat_interface, inputs=[msg, chatbot], outputs=[chatbot, chatbot])
-    clear.click(lambda: [], None, chatbot)
-
-demo.launch()
+import gradio as gr
+gr.Interface(fn=responder, inputs="text", outputs="text").launch()