app.py

import time
import os
import joblib
import streamlit as st
import google.generativeai as genai
from dotenv import load_dotenv

# Función para cargar CSS personalizado
def load_css(file_path):
    with open(file_path) as f:
        st.markdown(f'<style>{f.read()}</style>', unsafe_allow_html=True)

# Intentar cargar el CSS personalizado con ruta absoluta para mayor seguridad
try:
    css_path = os.path.join(os.path.dirname(__file__), 'static', 'css', 'style.css')
    load_css(css_path)
except Exception as e:
    print(f"Error al cargar CSS: {e}")
    # Si el archivo no existe, crear un estilo básico en línea
    st.markdown("""
    <style>
    .robocopy-title {
        color: #4ECDC4 !important;
        font-weight: bold;
        font-size: 2em;
    }
    </style>
    """, unsafe_allow_html=True)

load_dotenv()
GOOGLE_API_KEY=os.environ.get('GOOGLE_API_KEY')
genai.configure(api_key=GOOGLE_API_KEY)

new_chat_id = f'{time.time()}'
MODEL_ROLE = 'ai'
AI_AVATAR_ICON = '🤖'  # Cambia el emoji por uno de robot para coincidir con tu logo
USER_AVATAR_ICON = '👤'  # Añade un avatar para el usuario

# Definición del prompt multipersona para el sistema
SYSTEM_PROMPT = """
Eres un equipo colaborativo de expertos de clase mundial trabajando juntos para crear Propuestas Únicas de Valor (PUVs) excepcionales que conviertan a la audiencia en clientes.

EL EQUIPO DE EXPERTOS:
1. ESTRATEGA MAESTRO DE MARKETING:
   - Experto en marcos de propuestas de valor y estrategias de conversión
   - Asegura que las PUVs sigan la estructura de fórmula seleccionada con precisión
   - Se enfoca en la colocación estratégica de elementos clave de conversión

2. COPYWRITER ELITE DE RESPUESTA DIRECTA:
   - Crea ganchos, historias y elementos persuasivos convincentes
   - Elabora propuestas de valor irresistibles que impulsan conversiones
   - Asegura que el lenguaje resuene con la audiencia objetivo

3. ESPECIALISTA EN PSICOLOGÍA DE AUDIENCIA:
   - Experto en comprender las motivaciones y objeciones de la audiencia
   - Crea contenido que construye conexión genuina y confianza
   - Identifica y aborda miedos y deseos ocultos

4. MAESTRO DE DIFERENCIACIÓN:
   - Crea propuestas únicas que destacan entre la competencia
   - Desarrolla ejemplos y casos de estudio relacionables
   - Asegura que las PUVs apoyen la transformación que se ofrece

5. EXPERTO EN CONVERSIÓN:
   - Se especializa en crear PUVs que mantengan la atención y generen acción
   - Crea elementos interactivos y ganchos de engagement
   - Asegura que las PUVs fluyan naturalmente y mantengan el interés alto
"""

# Mensaje de bienvenida mejorado
WELCOME_MESSAGE = """
# 🚀 ¡Bienvenido! Soy RoboCopy, tu creador de PUVs 🚀

Soy un experto en crear **Propuestas Únicas de Valor (PUVs)** que transforman visitantes en clientes.

## 💼 ¿Qué puedo hacer por ti?

Creo PUVs persuasivas que:
- **Capturan la atención** de tu audiencia ideal
- **Comunican claramente** el valor de tu oferta
- **Convierten visitantes** en clientes leales

## 📋 Para ayudarte, necesito conocer:

1️⃣ **Tu producto o servicio**: ¿Qué ofreces exactamente?
2️⃣ **Tu audiencia objetivo**: ¿Quiénes son tus clientes ideales?
3️⃣ **La fórmula que prefieres**:
   - **A) Problema-Solución**: "Para [audiencia] con [problema], [producto] proporciona [solución]"
   - **B) Antes-Después**: "Transforma [situación actual] en [situación deseada]"
   - **C) Beneficio Principal**: "[Producto] te ayuda a [beneficio] sin [obstáculo]"

Analizaré tu audiencia, identificaré los beneficios clave y crearé TRES propuestas de valor potentes.

**¡Comencemos!** Comparte los detalles de tu producto/servicio, audiencia y fórmula preferida.
"""

# Create a data/ folder if it doesn't already exist
try:
    os.mkdir('data/')
except:
    # data/ folder already exists
    pass

# Load past chats (if available)
try:
    past_chats: dict = joblib.load('data/past_chats_list')
except:
    past_chats = {}

# Sidebar allows a list of past chats
with st.sidebar:
    # Centrar el logo y eliminar el título de RoboCopy
    col1, col2, col3 = st.columns([1, 2, 1])
    with col2:
        st.image("assets/robocopy_logo.png", width=300)
    
    st.write('# Chats Anteriores')
    if st.session_state.get('chat_id') is None:
        st.session_state.chat_id = st.selectbox(
            label='Selecciona un chat anterior',
            options=[new_chat_id] + list(past_chats.keys()),
            format_func=lambda x: past_chats.get(x, 'Nuevo Chat'),
            placeholder='_',
        )
    else:
        # This will happen the first time AI response comes in
        st.session_state.chat_id = st.selectbox(
            label='Selecciona un chat anterior',
            options=[new_chat_id, st.session_state.chat_id] + list(past_chats.keys()),
            index=1,
            format_func=lambda x: past_chats.get(x, 'Nuevo Chat' if x != st.session_state.chat_id else st.session_state.chat_title),
            placeholder='_',
        )
    
    # Inicializar el título de chat si es necesario
    if st.session_state.get('chat_title') is None:
        if st.session_state.chat_id in past_chats:
            st.session_state.chat_title = past_chats[st.session_state.chat_id]
        else:
            st.session_state.chat_title = 'Nuevo Chat'
   
st.write('# Creador de Propuestas Únicas de Valor')

# Inicializar mensajes y cargar historial
if not st.session_state.get('messages'):
    st.session_state.messages = []

# Cargar historial de chat si existe
try:
    st.session_state.messages = joblib.load(f'data/{st.session_state.chat_id}-st_messages')
    st.session_state.gemini_history = joblib.load(f'data/{st.session_state.chat_id}-gemini_messages')
    print('old cache')
except:
    if not st.session_state.get('messages'):
        st.session_state.messages = []
    st.session_state.gemini_history = []
    print('new_cache made')

# Configuración del modelo
model = genai.GenerativeModel(model_name='gemini-2.0-flash')
st.session_state.model = model
st.session_state.chat = st.session_state.model.start_chat(history=st.session_state.gemini_history)

# Si es un chat nuevo, enviar el prompt del sistema como primer mensaje
if not st.session_state.gemini_history:
    # Enviamos el prompt del sistema como primer mensaje (invisible para el usuario)
    st.session_state.chat.send_message(SYSTEM_PROMPT)
    st.session_state.gemini_history = st.session_state.chat.history

# Mostrar mensajes del historial
for message in st.session_state.messages:
    with st.chat_message(name=message['role'], avatar=message.get('avatar')):
        st.markdown(message['content'])

# React to user input
if prompt := st.chat_input('¿En qué puedo ayudarte hoy?'):
    # Verificar si es el primer mensaje del usuario
    is_first_message = len(st.session_state.messages) == 0
    
    # Guardar información del chat
    if st.session_state.chat_id not in past_chats.keys():
        # Es una nueva conversación, generamos un título basado en el primer mensaje
        temp_title = f'SesiónChat-{st.session_state.chat_id}'
        past_chats[st.session_state.chat_id] = temp_title
        
        # Generamos un título basado en el contenido del mensaje
        try:
            title_generator = genai.GenerativeModel('gemini-2.0-flash')
            title_response = title_generator.generate_content(
                f"Genera un título corto (máximo 5 palabras) que describa de qué trata esta consulta, sin usar comillas ni puntuación: '{prompt}'")
            
            generated_title = title_response.text.strip()
            
            if generated_title:
                st.session_state.chat_title = generated_title
                past_chats[st.session_state.chat_id] = generated_title
            else:
                st.session_state.chat_title = temp_title
        except Exception as e:
            print(f"Error al generar título: {e}")
            st.session_state.chat_title = temp_title
    else:
        # Ya existe esta conversación, usamos el título guardado
        st.session_state.chat_title = past_chats[st.session_state.chat_id]
    
    joblib.dump(past_chats, 'data/past_chats_list')
    
    # Mostrar mensaje del usuario
    with st.chat_message('user', avatar=USER_AVATAR_ICON):
        st.markdown(prompt)
    
    # Añadir mensaje del usuario al historial
    st.session_state.messages.append({
        'role': 'user',
        'content': prompt,
    })
    
    # Si es el primer mensaje, mostrar el mensaje de bienvenida
    if is_first_message:
        with st.chat_message(name=MODEL_ROLE, avatar=AI_AVATAR_ICON):
            st.markdown(WELCOME_MESSAGE)
        
        st.session_state.messages.append({
            'role': MODEL_ROLE,
            'content': WELCOME_MESSAGE,
            'avatar': AI_AVATAR_ICON,
        })
        
        # Guardar el historial actualizado
        joblib.dump(st.session_state.messages, f'data/{st.session_state.chat_id}-st_messages')
        # Salir de la función para no procesar más este mensaje
        st.experimental_rerun()
    
    # Implementación de reintentos con retroceso exponencial
    max_retries = 3
    retry_count = 0
    while retry_count < max_retries:
        try:
            # Enviar mensaje al modelo
            response = st.session_state.chat.send_message(prompt, stream=True)
            
            # Mostrar respuesta del asistente
            with st.chat_message(name=MODEL_ROLE, avatar=AI_AVATAR_ICON):
                message_placeholder = st.empty()
                full_response = ''
                
                # Indicador de escritura
                typing_indicator = st.empty()
                typing_indicator.markdown("*Estoy analizando tu información...*")
                
                # Mostrar respuesta por fragmentos
                for chunk in response:
                    for ch in chunk.text.split(' '):
                        full_response += ch + ' '
                        time.sleep(0.1)
                        message_placeholder.write(full_response + '▌')
                
                # Eliminar indicador y mostrar respuesta completa
                typing_indicator.empty()
                message_placeholder.write(full_response)
            
            # Añadir respuesta al historial
            st.session_state.messages.append({
                'role': MODEL_ROLE,
                'content': st.session_state.chat.history[-1].parts[0].text,
                'avatar': AI_AVATAR_ICON,
            })
            
            # Actualizar historial
            st.session_state.gemini_history = st.session_state.chat.history
            
            # Guardar historial
            joblib.dump(st.session_state.messages, f'data/{st.session_state.chat_id}-st_messages')
            joblib.dump(st.session_state.gemini_history, f'data/{st.session_state.chat_id}-gemini_messages')
            
            # Salir del bucle si la solicitud fue exitosa
            break
            
        except Exception as e:
            retry_count += 1
            if retry_count >= max_retries:
                # Mostrar mensaje de error si se agotan los reintentos
                with st.chat_message(name=MODEL_ROLE, avatar=AI_AVATAR_ICON):
                    st.error(f"Lo siento, estoy experimentando problemas para procesar tu solicitud. Por favor, intenta de nuevo más tarde. Error: {str(e)}")
                
                st.session_state.messages.append({
                    'role': MODEL_ROLE,
                    'content': f"Lo siento, estoy experimentando problemas para procesar tu solicitud. Por favor, intenta de nuevo más tarde. Error: {str(e)}",
                    'avatar': AI_AVATAR_ICON,
                })
                
                joblib.dump(st.session_state.messages, f'data/{st.session_state.chat_id}-st_messages')
            else:
                # Esperar antes de reintentar (retroceso exponencial)
                wait_time = (2 ** retry_count) + (time.time() % 1)
                time.sleep(wait_time)