Update app.py

app.py

@@ -1,8 +1,9 @@
 import pandas as pd
 
-
+# Carga los datos de entrenamiento
 df = pd.read_csv('./medical_data.csv')
 
+# Crea un arreglo con los contextos
 context_data = []
 for i in range(len(df)):
   context = ""
@@ -13,50 +14,49 @@ for i in range(len(df)):
     context += " "
   context_data.append(context)
 
-
+# Importa las bibliotecas necesarias
 import os
+from langchain_groq import ChatGroq
+from langchain_huggingface import HuggingFaceEmbeddings
+from langchain_chroma import Chroma
 
-# Get the secret key from the environment
+# Obtiene la clave de API de Groq
 groq_key = os.environ.get('groq_api_keys')
 
-## LLM used for RAG
-from langchain_groq import ChatGroq
-
-llm = ChatGroq(model="llama-3.1-70b-versatile",api_key=groq_key)
+# Crea un objeto ChatGroq con el modelo de lenguaje
+llm = ChatGroq(model="llama-3.1-70b-versatile", api_key=groq_key)
 
-## Embedding model!
-from langchain_huggingface import HuggingFaceEmbeddings
+# Crea un objeto HuggingFaceEmbeddings con el modelo de embeddings
 embed_model = HuggingFaceEmbeddings(model_name="mixedbread-ai/mxbai-embed-large-v1")
 
-# create vector store!
-from langchain_chroma import Chroma
-
+# Crea un objeto Chroma con el nombre de la colección
 vectorstore = Chroma(
-    collection_name="medical_dataset_store",
+    collection_name="mecanica_automotriz",
     embedding_function=embed_model,
 )
 
-# add data to vector nstore
+# Agrega los textos a la colección
 vectorstore.add_texts(context_data)
 
+# Crea un objeto retriever con la colección
 retriever = vectorstore.as_retriever()
 
-from langchain_core.prompts import PromptTemplate
-
-template = ("""tu eres un experto en mecanica automotriz, puedes hablar de mas cosas, cuando te pregunten por algo relacionado a los vehiculos o motores
-debes responder pidiendo la marva y modelo de auto, luego pediras la fecha, y pediras que te digan los sintomas, tu les daras soluciones.
-
+# Crea un objeto PromptTemplate con el prompt
+template = ("""Tu eres un experto en mecánica automotriz, puedes responder preguntas sobre coches y motores.
     Context: {context}
-
     Question: {question}
-
     Answer:""")
 
+# Crea un objeto rag_prompt con el prompt
 rag_prompt = PromptTemplate.from_template(template)
 
+# Crea un objeto StrOutputParser para parsear la salida
 from langchain_core.output_parsers import StrOutputParser
+
+# Crea un objeto RunnablePassthrough para ejecutar el modelo
 from langchain_core.runnables import RunnablePassthrough
 
+# Crea un objeto rag_chain con el modelo y el prompt
 rag_chain = (
     {"context": retriever, "question": RunnablePassthrough()}
     | rag_prompt
@@ -64,23 +64,23 @@ rag_chain = (
     | StrOutputParser()
 )
 
+# Importa la biblioteca Gradio
 import gradio as gr
 
+# Crea una función para procesar la entrada del usuario
 def rag_memory_stream(message, history):
     partial_text = ""
     for new_text in rag_chain.stream(message):
         partial_text += new_text
         yield partial_text
 
+# Crea un objeto Gradio con la función y el título
 examples = [
-    "I feel dizzy", 
-    "what is the possible sickness for fatigue?"
+    "Mi coche no arranca, ¿qué puedo hacer?",
+    "¿Cómo puedo cambiar el aceite de mi coche?"
 ]
-
-description = "Real-time AI App with Groq API and LangChain to Answer medical questions"
-
-
-title = "Medical Expert :) Try me!"
+description = "Aplicación de IA en tiempo real para responder preguntas sobre mecánica automotriz"
+title = "Experto en Mecánica Automotriz :)"
 demo = gr.ChatInterface(fn=rag_memory_stream,
                         type="messages",
                         title=title,
@@ -90,6 +90,6 @@ demo = gr.ChatInterface(fn=rag_memory_stream,
                         theme="glass",
 )
 
-
+# Lanza la aplicación
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch()