app.py

import gradio as gr
import torch
from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM
import openai
import requests
import logging
import threading
from datetime import datetime
import re
import time

# Configuración de logging más detallada
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

# ========== PROMPT GENERATOR ==========
class PromptGenerator:
    @staticmethod
    def detect_intent(prompt: str) -> dict:
        """Detecta la intención del usuario basado en el prompt"""
        try:
            prompt_lower = prompt.lower().strip()
            
            # Detección de código
            code_keywords = [
                'código', 'code', 'programa', 'function', 'def ', 'import ',
                'python', 'javascript', 'java', 'c++', 'html', 'css', 'sql',
                'algoritmo', 'loop', 'for ', 'while ', 'if ', 'else',
                'variable', 'clase', 'class ', 'función', 'method'
            ]
            
            is_code = any(keyword in prompt_lower for keyword in code_keywords)
            
            # Detección de tipo de consulta
            if any(word in prompt_lower for word in ['explica', 'explicar', 'qué es', 'qué son', 'defin']):
                intent_type = 'explication'
            elif any(word in prompt_lower for word in ['ejemplo', 'ejemplifica', 'muestra']):
                intent_type = 'example'
            elif any(word in prompt_lower for word in ['corrige', 'error', 'bug', 'problema']):
                intent_type = 'correction'
            else:
                intent_type = 'general'
            
            return {
                'is_code': is_code,
                'type': intent_type,
                'language': PromptGenerator._detect_language(prompt_lower)
            }
        except Exception as e:
            logger.error(f"Error en detect_intent: {e}")
            return {'is_code': False, 'type': 'general', 'language': 'unknown'}
    
    @staticmethod
    def _detect_language(prompt: str) -> str:
        """Detecta el lenguaje de programación mencionado"""
        try:
            languages = {
                'python': ['python', 'py'],
                'javascript': ['javascript', 'js', 'node'],
                'java': ['java'],
                'html': ['html'],
                'css': ['css'],
                'sql': ['sql', 'mysql', 'postgresql'],
                'c++': ['c++', 'cpp'],
                'c#': ['c#', 'csharp']
            }
            
            for lang, keywords in languages.items():
                if any(keyword in prompt for keyword in keywords):
                    return lang
            return 'unknown'
        except Exception as e:
            logger.error(f"Error en _detect_language: {e}")
            return 'unknown'
    
    @staticmethod
    def enhance_prompt(original_prompt: str, intent: dict) -> str:
        """Mejora el prompt basado en la intención detectada"""
        try:
            if intent['is_code']:
                if intent['type'] == 'explication':
                    return f'Explica detalladamente este código: {original_prompt}'
                elif intent['type'] == 'example':
                    lang = intent['language'] if intent['language'] != 'unknown' else 'Python'
                    return f'Da un ejemplo en {lang}: {original_prompt}'
                elif intent['type'] == 'correction':
                    return f'Corrige este código: {original_prompt}'
                else:
                    return f'Responde sobre programación: {original_prompt}'
            else:
                if intent['type'] == 'explication':
                    return f'Explica claramente: {original_prompt}'
                elif intent['type'] == 'example':
                    return f'Proporciona ejemplos: {original_prompt}'
                else:
                    return original_prompt
        except Exception as e:
            logger.error(f"Error en enhance_prompt: {e}")
            return original_prompt

# ========== MODEL MANAGER ==========
class ModelManager:
    def __init__(self):
        self.dialo_model = None
        self.code_model = None
        self.dialo_tokenizer = None
        self.code_tokenizer = None
        self.loaded = False
        self.config = {}
        self.load_attempted = False
    
    def load_models(self):
        """Carga los modelos locales en CPU optimizado para HF"""
        if self.load_attempted:
            return self.loaded
            
        self.load_attempted = True
        try:
            logger.info('🚀 Cargando modelos locales en CPU...')
            
            # Cargar solo DialoGPT para simplificar y evitar problemas
            logger.info('📥 Cargando DialoGPT-small...')
            self.dialo_model = pipeline(
                "text-generation",
                model="microsoft/DialoGPT-small",
                device="cpu",
                torch_dtype=torch.float32,
                model_kwargs={"low_cpu_mem_usage": True}
            )
            
            self.loaded = True
            logger.info('✅ DialoGPT-small cargado exitosamente')
            return True
            
        except Exception as e:
            logger.error(f'❌ Error cargando modelos: {e}')
            self.loaded = False
            return False
    
    def set_config(self, config):
        """Configuración para APIs externas"""
        self.config = config or {}
    
    def generate_local_response(self, prompt, is_code=False, max_length=100):
        """Genera respuesta usando modelos locales optimizados"""
        if not self.loaded:
            if not self.load_models():
                return '❌ Error: No se pudieron cargar los modelos locales. Intenta recargar la página.'
        
        try:
            logger.info(f'🤖 Generando respuesta local para: {prompt[:50]}...')
            
            # Usar DialoGPT para todas las respuestas (más simple)
            result = self.dialo_model(
                prompt,
                max_length=max_length,
                num_return_sequences=1,
                temperature=0.7,
                do_sample=True,
                pad_token_id=self.dialo_model.tokenizer.eos_token_id,
                early_stopping=True
            )
            
            response = result[0]['generated_text']
            
            # Limpiar la respuesta
            if response.startswith(prompt):
                response = response[len(prompt):].strip()
            
            logger.info(f'✅ Respuesta local generada: {response[:50]}...')
            return response if response else '🤔 No pude generar una respuesta. Intenta reformular tu pregunta.'
            
        except Exception as e:
            logger.error(f'❌ Error en generación local: {e}')
            return f'⚠️ Error temporal en el modelo: {str(e)}'

# ========== API AGENT ==========
class APIAgent:
    def __init__(self):
        self.config = {}
    
    def set_config(self, config):
        """Configura las claves API desde Gradio"""
        self.config = config or {}
    
    def call_openai(self, prompt: str, is_code: bool = False):
        """Intenta llamar a OpenAI API"""
        api_key = self.config.get('openai_key')
        
        if not api_key:
            return None
        
        try:
            logger.info('🔄 Intentando llamar a OpenAI API...')
            openai.api_key = api_key
            
            model = 'gpt-3.5-turbo'
            max_tokens = self.config.get('max_tokens', 400)
            temperature = self.config.get('temperature', 0.7)
            
            response = openai.ChatCompletion.create(
                model=model,
                messages=[{'role': 'user', 'content': prompt}],
                max_tokens=max_tokens,
                temperature=temperature,
                timeout=10
            )
            
            logger.info('✅ OpenAI API respondió exitosamente')
            return response.choices[0].message.content.strip()
            
        except Exception as e:
            logger.error(f'❌ Error llamando a OpenAI: {e}')
            return None
    
    def call_deepseek(self, prompt: str, is_code: bool = False):
        """Intenta llamar a DeepSeek API"""
        api_key = self.config.get('deepseek_key')
        
        if not api_key:
            return None
        
        try:
            logger.info('🔄 Intentando llamar a DeepSeek API...')
            url = 'https://api.deepseek.com/v1/chat/completions'
            headers = {
                'Content-Type': 'application/json',
                'Authorization': f'Bearer {api_key}'
            }
            
            max_tokens = self.config.get('max_tokens', 400)
            temperature = self.config.get('temperature', 0.7)
            
            data = {
                'model': 'deepseek-chat',
                'messages': [{'role': 'user', 'content': prompt}],
                'max_tokens': max_tokens,
                'temperature': temperature,
                'stream': False
            }
            
            response = requests.post(url, json=data, headers=headers, timeout=15)
            response.raise_for_status()
            
            result = response.json()
            logger.info('✅ DeepSeek API respondió exitosamente')
            return result['choices'][0]['message']['content'].strip()
            
        except Exception as e:
            logger.error(f'❌ Error llamando a DeepSeek: {e}')
            return None
    def generate_response(self, prompt: str, is_code: bool = False):
        """
        Intenta generar respuesta usando APIs en orden de preferencia
        Returns: dict con response y source
        """
        # Verificar si hay claves configuradas
        has_deepseek = bool(self.config.get('deepseek_key'))
        has_openai = bool(self.config.get('openai_key'))
        
        logger.info(f'🔍 APIs disponibles - DeepSeek: {has_deepseek}, OpenAI: {has_openai}')
        
        if has_deepseek:
            deepseek_response = self.call_deepseek(prompt, is_code)
            if deepseek_response:
                return {'response': deepseek_response, 'source': 'deepseek'}
        
        if has_openai:
            openai_response = self.call_openai(prompt, is_code)
            if openai_response:
                return {'response': openai_response, 'source': 'openai'}
        
        logger.info('🔍 Ninguna API disponible, usando modelo local')
        return {'response': None, 'source': 'none'}

# ========== CHATBOT PRINCIPAL ==========
class BATUTOChatbot:
    def __init__(self):
        self.conversation_history = []
        self.config = {
            'deepseek_key': '',
            'openai_key': '',
            'max_tokens': 400,
            'temperature': 0.7
        }
        self.model_manager = ModelManager()
        self.api_agent = APIAgent()
        self.prompt_generator = PromptGenerator()
    
    def update_config(self, deepseek_key, openai_key, max_tokens, temperature):
        """Actualiza la configuración desde la UI"""
        updated = False
        
        if deepseek_key:
            self.config['deepseek_key'] = deepseek_key
            updated = True
            logger.info('🔑 DeepSeek API Key actualizada')
        if openai_key:
            self.config['openai_key'] = openai_key
            updated = True
            logger.info('🔑 OpenAI API Key actualizada')
        if max_tokens:
            self.config['max_tokens'] = int(max_tokens)
            updated = True
        if temperature:
            self.config['temperature'] = float(temperature)
            updated = True
            
        # Actualizar agentes
        self.model_manager.set_config(self.config)
        self.api_agent.set_config(self.config)
        
        return '✅ Configuración actualizada' if updated else 'ℹ️ Sin cambios'
    
    def get_system_status(self):
        """Obtiene el estado del sistema"""
        has_deepseek = bool(self.config.get('deepseek_key'))
        has_openai = bool(self.config.get('openai_key'))
        models_loaded = self.model_manager.loaded
        
        status_html = f'''
        <div style='padding: 15px; border-radius: 10px; background: #f8f9fa; border: 2px solid #e9ecef;'>
            <h4 style='margin-top: 0;'>Estado del Sistema</h4>
            <p><strong>Modelos locales:</strong> {'✅ Cargados' if models_loaded else '🔄 Cargando...'}</p>
            <p><strong>DeepSeek API:</strong> {'✅ Configurada' if has_deepseek else '❌ No configurada'}</p>
            <p><strong>OpenAI API:</strong> {'✅ Configurada' if has_openai else '❌ No configurada'}</p>
            <p><strong>Mensajes en sesión:</strong> {len(self.conversation_history)}</p>
        </div>
        '''
        return status_html
    
    def chat_response(self, message, history):
        """Genera respuesta del chatbot optimizado para HF"""
        if not message.strip():
            return ''
        
        # Mostrar indicador de typing
        yield '🔄 Procesando...'
        
        try:
            # Detectar intención y mejorar prompt
            intent = self.prompt_generator.detect_intent(message)
            enhanced_prompt = self.prompt_generator.enhance_prompt(message, intent)
            
            # Intentar usar APIs primero
            api_result = self.api_agent.generate_response(enhanced_prompt, intent['is_code'])
            
            if api_result['response']:
                # Usar respuesta de API
                response_text = api_result['response']
                source = api_result['source']
            else:
                # Usar modelo local como fallback
                response_text = self.model_manager.generate_local_response(
                    enhanced_prompt, 
                    intent['is_code'],
                    max_length=150
                )
                source = 'local'
            
            # Agregar metadata a la respuesta
            metadata = f'\n\n---\n🔧 *Fuente: {source.upper()}*'
            if intent['is_code']:
                metadata += f' | 💻 *Tipo: Código*'
            else:
                metadata += f' | 💬 *Tipo: Conversación*'
            
            full_response = response_text + metadata
            
            # Guardar en historial
            self.conversation_history.append({
                'timestamp': datetime.now().isoformat(),
                'user': message,
                'bot': response_text,
                'source': source,
                'intent': intent
            })
            
            yield full_response
            
        except Exception as e:
            error_msg = f'❌ Error: {str(e)}'
            logger.error(f'Error en chat_response: {e}')
            yield error_msg
    
    def clear_conversation(self):
        """Limpia la conversación"""
        self.conversation_history.clear()
        return None, []

# ========== CONFIGURACIÓN GRADIO ==========
# Crear instancia del chatbot
chatbot = BATUTOChatbot()

# Cargar modelos al inicio (async)
def load_models_async():
    logger.info('Cargando modelos en segundo plano...')
    chatbot.model_manager.load_models()
    logger.info('Modelos cargados exitosamente')

# Iniciar carga de modelos
model_loader = threading.Thread(target=load_models_async, daemon=True)
model_loader.start()

# Configuración de la interfaz Gradio para HF
with gr.Blocks(
    title='BATUTO Chatbot - Asistente Educativo',
    theme=gr.themes.Soft()
) as demo:
    
    gr.Markdown('''
    # BATUTO Chatbot - Asistente Educativo
    **Sistema inteligente con modelos locales y APIs externas**  
    *Desplegado en Hugging Face Spaces - Versión Optimizada*
    ''')
    
    with gr.Row():
        with gr.Column(scale=2):
            # Área de chat
            gr.Markdown('### 💬 Conversación')
            chatbot_interface = gr.Chatbot(
                label='Chat con BATUTO',
                height=400,
                show_copy_button=True
            )
            msg = gr.Textbox(
                label='Escribe tu mensaje',
                placeholder='Pregunta sobre programación, explica conceptos, pide ejemplos...',
                lines=2
            )
            
            with gr.Row():
                submit_btn = gr.Button('🚀 Enviar', variant='primary')
                clear_btn = gr.Button('🧹 Limpiar', variant='secondary')
        
        with gr.Column(scale=1):
            # Panel de estado
            gr.Markdown('### 📊 Estado del Sistema')
            status_display = gr.HTML()
            
            # Configuración rápida
            with gr.Accordion('⚙️ Configuración Rápida', open=False):
                deepseek_key = gr.Textbox(
                    label='DeepSeek API Key',
                    type='password',
                    placeholder='sk-...'
                )
                openai_key = gr.Textbox(
                    label='OpenAI API Key', 
                    type='password',
                    placeholder='sk-...'
                )
                
                with gr.Row():
                    max_tokens = gr.Slider(
                        label='Tokens máx',
                        minimum=100,
                        maximum=800,
                        value=400,
                        step=50
                    )
                    temperature = gr.Slider(
                        label='Temperatura',
                        minimum=0.1,
                        maximum=1.0,
                        value=0.7,
                        step=0.1
                    )
                
                save_config_btn = gr.Button('💾 Guardar Config', size='sm')
                config_output = gr.Textbox(label='Estado', interactive=False)
            
            # Información
            with gr.Accordion('ℹ️ Cómo usar', open=True):
                gr.Markdown('''
                **Ejemplos:**
                - Muéstrame una función Python para ordenar listas
                - Explica qué es machine learning
                - Corrige este código: [tu código]
                ''')
    
    # Event handlers
    def handle_submit(message, history):
        if not message.strip():
            return '', history
        return '', history + [[message, None]]
    
    # Conectar el botón de enviar
    submit_btn.click(
        handle_submit,
        inputs=[msg, chatbot_interface],
        outputs=[msg, chatbot_interface]
    ).then(
        chatbot.chat_response,
        inputs=[msg, chatbot_interface],
        outputs=[chatbot_interface]
    )
    
    # Enter también envía
    msg.submit(
        handle_submit,
        inputs=[msg, chatbot_interface],
        outputs=[msg, chatbot_interface]
    ).then(
        chatbot.chat_response,
        inputs=[msg, chatbot_interface],
        outputs=[chatbot_interface]
    )
    
    # Limpiar chat
    clear_btn.click(
        chatbot.clear_conversation,
        outputs=[msg, chatbot_interface]
    )
    
    # Configuración
    save_config_btn.click(
        chatbot.update_config,
        inputs=[deepseek_key, openai_key, max_tokens, temperature],
        outputs=[config_output]
    ).then(
        chatbot.get_system_status,
        outputs=[status_display]
    )
    
    # Actualizar estado al cargar
    demo.load(
        chatbot.get_system_status,
        outputs=[status_display]
    )

if __name__ == '__main__':
    demo.launch()