Se corrigio el problema que mantenia el archivo entre sesiones implementando la session_state de streamlit y un mejor manejo de la cache

app.py

@@ -64,10 +64,14 @@ if pdf_name:
 
         # Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.
         # Para este caso la cadena tene el parametro de memoria.
-    qa = langChainTools.define_retrieval_qa_memory(
-        llm, docstorage, pdf_name, embedding_model
+
+        if "qa" not in st.session_state.keys():
+            st.session_state.qa = langChainTools.define_retrieval_qa_memory(
+                llm, pdf_name, embedding_model
             )
 
+        # qa = langChainTools.define_retrieval_qa_memory(llm, pdf_name, embedding_model)
+
     # Store conversation history
     if "messages" not in st.session_state.keys():
         st.session_state.messages = [
@@ -110,13 +114,15 @@ if pdf_name:
             with st.spinner("Thinking..."):
                 # Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.
                 # Para este caso la cadena tene el parametro de memoria.
-                qa = langChainTools.define_retrieval_qa_memory(
-                    llm, docstorage, pdf_name, embedding_model
-                )
+                # qa = langChainTools.define_retrieval_qa_memory(
+                #    llm, docstorage, pdf_name, embedding_model
+                # )
 
                 input = "\n".join([msg["content"] for msg in st.session_state.messages])
 
-                query = qa.invoke({"question": f"{prompt}"}, return_only_outputs=True)
+                query = st.session_state.qa.invoke(
+                    {"question": f"{prompt}"}, return_only_outputs=True
+                )
 
                 response_text = query["answer"]
                 documents_source = query["source_documents"]

app_2.py

@@ -7,7 +7,7 @@ from streamlit_extras.add_vertical_space import add_vertical_space
 from langchain_tools.pdf_tools import PdfLangChain
 from langchain_tools.lc_tools import LangChainTools
 from chats.chat_tools import MessageManager
-from langchain_community.llms import HuggingFaceEndpoint
+from langchain_community.llms import Ollama
 
 
 # App title
@@ -52,13 +52,22 @@ if pdf_name:
         # Cargamos el modelo de embeddings
         embedding_model = langChainTools.load_embedding_opnai()
 
+        # Cargamos el modelo de embeddings
+        # embedding_model = langChainTools.load_embedding_hf()
+
         # Creamos el vector store
         docstorage = langChainTools.create_vector_strore(
             docs_split, pdf_name, embedding_model
         )
 
     # Cargamos el modelo LLM desde LangChain
-    llm = langChainTools.load_llm_open_source()
+    # llm = langChainTools.load_llm_open_source()
+
+    # Cargamos el modelo LLM desde LangChain
+    llm = langChainTools.load_llm_openai()
+
+    # Cargamos el modelo desde Ollama
+    # llm = Ollama(model="gemma")
 
     # Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.
     # Para este caso la cadena tene el parametro de memoria.
@@ -116,7 +125,7 @@ if pdf_name:
 
                 query = qa.invoke({"question": f"{prompt}"}, return_only_outputs=True)
 
-                response_text_en = query["answer"]
+                response_text = query["answer"]
                 documents_source = query["source_documents"]
 
                 messageManager = MessageManager()
@@ -125,10 +134,10 @@ if pdf_name:
                 # st.markdown(citation)
 
             with st.chat_message("assistant"):
-                st.write(response_text_en)
-                # st.write(translation)
+                st.write(response_text)
+
                 st.session_state.messages.append(
-                    {"role": "assistant", "content": response_text_en}
+                    {"role": "assistant", "content": response_text}
                 )
                 expander = st.expander("Fuentes")
                 expander.markdown(citation)

chats/streamlit_tools.py

@@ -1,33 +1,48 @@
 import streamlit as st
 import os
 
+
 # @st.cache_data
-
-
 def import_file() -> str:
+    List_of_files: list = []
     # Cargar el archivo pdf
-    archivo = st.file_uploader(
-        'Arrastra o ingresa tu archivo .pdf', type=['.pdf'])
-    nombre_archivo: str = ''
+    archivo = st.file_uploader("Arrastra o ingresa tu archivo .pdf", type=[".pdf"])
+    nombre_archivo: str = ""
     # Verificar si se ha cargado un archivo
     if archivo is not None:
-
         nombre_archivo = archivo.name
-        # Abrir un archivo en modo escritura binaria ('wb') para guardar el archivo de audio
 
-        with open(f'documents/pdfs/{nombre_archivo}', 'wb') as new_file:
+        # Agregamos el nombre a la lista de archvios para luego podr verificarlos
+        List_of_files.append(nombre_archivo)
+        st.success(
+            f"El numero de archivos en la lista  de archivos es de: {len(List_of_files)}"
+        )
+
+        # Abrir un archivo en modo escritura binaria ('wb') para guardar el archivo de audio
+        with open(f"documents/pdfs/{nombre_archivo}", "wb") as new_file:
             # Leer los datos del archivo cargado y escribirlos en el nuevo archivo
             new_file.write(archivo.read())
 
+    st.success(f"Se carga el archivo con nombre: {nombre_archivo}")
+
+    # Verificamos que en la lista solo haya un archivo, de lo contrario, limpiamos la session_state
+    if (
+        "archivo_anterior" in st.session_state
+        and st.session_state.archivo_anterior != nombre_archivo
+    ):
+        st.session_state.clear()
+
+    st.session_state.archivo_anterior = nombre_archivo
+
     return nombre_archivo
 
+
 # Define la función para borrar el caché
 
 
 def clear_cache():
-    cache_path = os.path.join(st.__path__[0], 'static', 'cache')
+    cache_path = os.path.join(st.__path__[0], "static", "cache")
     for root, dirs, files in os.walk(cache_path):
         for file in files:
             os.remove(os.path.join(root, file))
-    st.success('Cache limpio exitosamente.')
-
+    st.success("Cache limpio exitosamente.")

langchain_tools/lc_tools.py

@@ -2,7 +2,6 @@ from langchain_openai import OpenAIEmbeddings
 from langchain_community.vectorstores import Chroma
 from langchain_community.llms import OpenAI
 from langchain_community.chat_models import ChatOpenAI
-from langchain_core.prompts import PromptTemplate
 from langchain.memory.buffer import ConversationBufferMemory
 import os
 import streamlit as st
@@ -10,6 +9,7 @@ from dotenv import load_dotenv
 from langchain.chains import RetrievalQAWithSourcesChain, ConversationalRetrievalChain
 from langchain_community.llms import HuggingFaceEndpoint
 from langchain_community.embeddings import HuggingFaceEmbeddings
+from streamlit.runtime.state import session_state
 
 
 class LangChainTools:
@@ -55,7 +55,7 @@ class LangChainTools:
 
         return self.embedding_model
 
-    @st.cache_resource
+    # @st.cache_resource
     def create_vector_strore(
         _self, _docs_split: list, _file_name: str, _embedding_model
     ):
@@ -66,21 +66,33 @@ class LangChainTools:
             _file_name (str): Nombre del documento
         """
 
-        db_name = _file_name.replace(".pdf", "").replace(" ", "_").lower()
+        # db_name = _file_name.replace(".pdf", "").replace(" ", "_").lower()
+        st.success(_file_name)
+
+        if "db_name" not in st.session_state.keys():
+            st.session_state.db_name = (
+                _file_name.replace(".pdf", "").replace(" ", "_").lower()
+            )
 
         # Cargamos el modelo de embeddings
         # _embedding_model = self._embedding_model
 
         # Verificamos si existe la vector strore
-        persist_directory = f"embeddings/{db_name}"
+        # persist_directory = f"embeddings/{db_name}"
 
-        if os.path.exists(persist_directory):
+        if "persist_director" not in st.session_state.keys():
+            st.session_state.persist_directory = (
+                f"embeddings/{st.session_state.db_name}"
+            )
+
+        if os.path.exists(st.session_state.persist_directory):
             vectordb = Chroma(
-                persist_directory=persist_directory, embedding_function=_embedding_model
+                persist_directory=st.session_state.persist_directory,
+                embedding_function=_embedding_model,
             )
         else:
             vectordb = Chroma.from_documents(
-                persist_directory=persist_directory,
+                persist_directory=st.session_state.persist_directory,
                 documents=_docs_split,
                 embedding=_embedding_model,
             )
@@ -110,7 +122,8 @@ class LangChainTools:
 
         return llm_openai
 
-    def load_llm_open_source(self):
+    @st.cache_resource
+    def load_llm_open_source(_self):
         """Esta funcion carga un modelo de LLM OpenSource desde HuggingFace
 
         Returns:
@@ -137,24 +150,6 @@ class LangChainTools:
 
         return llm
 
-    def load_prompt_template(self):
-        """Esta funcion construye un prompt template de lanfchain.
-
-        Returns:
-            _type_: Retorno a un prompt template de LangChain.
-        """
-        template = """Responde en español la siguiente pregunta utilizando los documentos proporcionados y citando las fuentes relevantes entre corchetes []:
-
-        Pregunta: {question}
-
-        Respuesta:"""
-
-        prompt_template = PromptTemplate(
-            template=template, input_variables=["question"]
-        )
-
-        return prompt_template
-
     def define_retrieval_qa(self, _llm, _vectordb, _file_name, _embedding_model):
         """Esta función integra un LLM y una base de datos vectorial en una
         chain de LangChain para hacer requerimientos. Este modelo no integra memoria.
@@ -193,10 +188,8 @@ class LangChainTools:
 
         return qa
 
-    @st.cache_resource
-    def define_retrieval_qa_memory(
-        _self, _llm, _vectordb, _file_name, _embedding_model
-    ):
+    # @st.cache_resource
+    def define_retrieval_qa_memory(_self, _llm, _file_name, _embedding_model):
         """Esta función integra un LLM y una base de datos vectorial en una
         chain de LangChain para hacer requerimientos. Este modelo integra memoria.
 
@@ -213,13 +206,14 @@ class LangChainTools:
             y la BDV.
         """
 
-        db_name = _file_name.replace(".pdf", "").replace(" ", "_").lower()
+        # db_name = _file_name.replace(".pdf", "").replace(" ", "_").lower()
 
         # Verificamos si existe la vector strore
-        persist_directory = f"embeddings/{db_name}"
+        # persist_directory = f"embeddings/{db_name}"
 
         _vectordb = Chroma(
-            persist_directory=persist_directory, embedding_function=_embedding_model
+            persist_directory=st.session_state.persist_directory,
+            embedding_function=_embedding_model,
         )
 
         # Configura la memoria

langchain_tools/pdf_tools.py

@@ -22,7 +22,7 @@ class PdfLangChain:
         """
 
         self.file_name = file_name
-        self.file_path = os.path.join('documents', 'pdfs', self.file_name)
+        self.file_path = os.path.join("documents", "pdfs", self.file_name)
 
         # Verificar si el directorio exist, sino, crearlo
         if not os.path.exists(self.file_path):
@@ -38,6 +38,8 @@ class PdfLangChain:
 
         loader = PyPDFLoader(_self.file_path)
         _self.docs = loader.load()
+
+        st.success(f"Se carga el pdf : {_self.file_path}")
         return _self.docs
 
     def split_docs(self, data: list) -> list:
@@ -54,8 +56,10 @@ class PdfLangChain:
         chunk_overlap = 300
 
         splitter = RecursiveCharacterTextSplitter(
-            chunk_size=chunk_size,
-            chunk_overlap=chunk_overlap)
+            chunk_size=chunk_size, chunk_overlap=chunk_overlap
+        )
         self.docs_split = splitter.split_documents(data)
 
+        st.success(f"{self.file_path[3][:200]}")
+
         return self.docs_split

pruebas.py

@@ -0,0 +1,8 @@
+from langchain_community.llms import Ollama
+
+llm = Ollama(model="gemma")
+
+print(llm.invoke("Cual es tu nombre?"))
+
+
+query = "Cual es el sentido de la vida?"