s

app.py

@@ -47,34 +47,36 @@ llm = ChatOpenAI(
     max_tokens=max_tokens,
     api_key=os.getenv("HUGGINGFACEHUB_API_TOKEN")
 )
+# LLM para generar la recomendación (se convierte la salida a texto posteriormente)
 developer_structure_llm = llm.with_structured_output(GenerateRecommendation, method="json_mode")
+# LLM para la revisión de la recomendación
+reviewer_structure_llm = llm.with_structured_output(RecommendationQualityScore, method="json_mode")
 
 def travel_recommender(state):
     user_requirements = state["messages"][-1].content
     system_prompt = f"""
     Eres un experto en recomendaciones de viajes.
     Con base en las siguientes preferencias del usuario: {user_requirements},
-    selecciona el mejor destino de la siguiente base de datos.
+    selecciona el mejor destino de la siguiente base de datos: {travel_database}.
     Responde en JSON con la clave `destination` y `explanation`.
     """
     messages = [
         SystemMessage(content=system_prompt),
-        # ... más mensajes (human/AI) si lo requieres ...
+        # Puedes agregar más mensajes si lo consideras necesario
     ]
     
-    # 1. Llamas a tu LLM con structured_output
+    # 1. Invoca el LLM con structured_output
     recommendation_obj = developer_structure_llm.invoke(messages)
     
-    # 2. Conviertes el objeto resultante en texto
+    # 2. Convierte el objeto resultante a texto formateado
     text_output = (
         f"Destino recomendado: {recommendation_obj.destination}\n"
         f"Razón: {recommendation_obj.explanation}"
     )
     
-    # 3. Guardas ese texto en el estado (para que otros nodos puedan revisarlo)
+    # 3. Agrega la respuesta al estado para ser utilizada en nodos posteriores
     state["messages"].append(AIMessage(content=text_output))
-    
-    # 4. Retornas el state modificado
+    state["iterations"] += 1
     return state
 
 def recommendation_review(state):
@@ -105,12 +107,12 @@ def final_recommendation(state):
     messages = system_messages + human_messages + ai_messages
     final_message = llm.invoke(messages)
     
-    # Se guarda la recomendación final en el estado para mostrarla
+    # Guarda la recomendación final en el estado
     state["final_recommendation"] = final_message.content
     state["messages"].append(AIMessage(content=f"Final Recommendation: {final_message.content}"))
     return state
 
-# Función para definir la condición de la bifurcación en el grafo
+# Función para definir la condición de bifurcación del grafo
 def quality_gate_condition(state) -> Literal["travel_recommender", "final_recommendation"]:
     if state["iterations"] >= num_iterations:
         return "final_recommendation"
@@ -133,20 +135,25 @@ builder.add_conditional_edges("recommendation_review", quality_gate_condition)
 
 graph = builder.compile()
 
-# Función que ejecuta el grafo con la entrada del usuario
+# Función que ejecuta el grafo con la entrada del usuario y devuelve el resultado en texto
 def run_graph(user_input: str) -> str:
     initial_state = {"messages": [HumanMessage(content=user_input)], "quality": 0, "iterations": 0}
     final_state = graph.invoke(initial_state)
 
-    # Supongamos que guardaste la recomendación final en state["final_recommendation"]
-    # o en el último mensaje AIMessage. Por ejemplo:
     final_messages = [msg for msg in final_state["messages"] if isinstance(msg, AIMessage)]
     if not final_messages:
         return "No se generó una recomendación final."
     
-    # Extraes el último mensaje del flujo
     return final_messages[-1].content
 
+# Definir la interfaz Gradio
+iface = gr.Interface(
+    fn=run_graph,
+    inputs=gr.Textbox(label="Ingrese sus preferencias de viaje"),
+    outputs=gr.Textbox(label="Recomendación Final"),
+    title="Sistema de Recomendación de Viajes"
+)
 
 if __name__ == "__main__":
     iface.launch()
+