app.py

import os
import gradio as gr
import requests
import pandas as pd
from huggingface_hub import login
from dotenv import load_dotenv
import time
from agent import Agente



# Cargar variables de entorno
load_dotenv()

# Constantes
API_BASE_URL = "https://agents-course-unit4-scoring.hf.space"

def execute_agent_operations(profile: gr.OAuthProfile | None):
    """
    Obtiene preguntas, ejecuta el agente y envía respuestas.
    """
    # Obtener el ID de espacio
    space_id = os.getenv("MY_SPACE_ID")

    if profile:
        username = f"{profile.username}"
        print(f"Usuario conectado: {username}")
    else:
        print("No has iniciado sesión.")
        return "Inicia sesión en Hugging Face.", None

    questions_url = f"{API_BASE_URL}/questions"
    attachments_url = f"{API_BASE_URL}/files/"
    submit_url = f"{API_BASE_URL}/submit"

    try:
        print("Iniciando Agente...")
        # Aquí puedes instanciar tu agente como se define en agent.py
        agente = Agente() 
    except Exception as e:
        print(f"Error al inicializar agente: {e}")
        return f"Error al inicializar el agente: {e}", None

    # Obtener las preguntas
    print(f"Obteniendo preguntas de: {questions_url}")
    try:
        response = requests.get(questions_url, timeout=15)
        response.raise_for_status()
        questions = response.json()
        if not questions:
            print("La lista de preguntas está vacía.")
            return "No se encontraron preguntas.", None
        print(f"Se obtuvieron {len(questions)} preguntas.")
        
        # Aquí agregamos el retraso entre cada solicitud para evitar el error 429
        for i, q in enumerate(questions):
            if i > 0:  # Para no esperar después de la primera solicitud
                time.sleep(2)  # Espera de 2 segundos entre cada consulta
            
            file_name = q.get("file_name", "")
            task_id = q.get("task_id")
            if file_name and task_id:
                try:
                    att_response = requests.get(f"{attachments_url}{task_id}", timeout=15)
                    att_response.raise_for_status()
                    q["attachment_b64"] = att_response.text
                except Exception as e:
                    print(f"Error al obtener archivo adjunto para la tarea {task_id}: {e}")
                    q["attachment_b64"] = None
    except requests.exceptions.RequestException as e:
        print(f"Error al obtener preguntas: {e}")
        return f"Error al obtener preguntas: {e}", None

    # Ejecutar el agente
    print(f"Ejecutando agente en {len(questions)} preguntas...")
    results_log = []
    answers_payload = []
    
    for item in questions:
        task_id = item.get("task_id")
        question_text = item.get("question", "")
        attachment_b64 = item.get("attachment_b64", "")
        if attachment_b64:
            question_text = f"{question_text}\n\n[ATTACHMENT:]\n{attachment_b64}"
        if not task_id or not question_text:
            print(f"Saltando tarea con información incompleta: {item}")
            continue
        try:
            submitted_answer = agente.procesar_pregunta(question_text)  # Aquí llamarías a tu agente para obtener la respuesta
            answers_payload.append({"task_id": task_id, "submitted_answer": submitted_answer})
            results_log.append({"Task ID": task_id, "Question": question_text, "Submitted Answer": submitted_answer})
        except Exception as e:
            print(f"Error al procesar la tarea {task_id}: {e}")
            results_log.append({"Task ID": task_id, "Question": question_text, "Submitted Answer": f"ERROR: {e}"})

    if not answers_payload:
        return "El agente no produjo respuestas.", pd.DataFrame(results_log)

    submission_data = {"username": username.strip(), "agent_code": f"https://huggingface.co/spaces/{space_id}", "answers": answers_payload}
    status_update = f"Enviando respuestas para el usuario '{username}'..."
    print(status_update)

    try:
        response = requests.post(submit_url, json=submission_data, timeout=60)
        response.raise_for_status()
        result_data = response.json()
        final_status = f"¡Envío exitoso!\nPuntuación: {result_data.get('score', 'N/A')}"
        print("Envío exitoso.")
        results_df = pd.DataFrame(results_log)
        return final_status, results_df
    except requests.exceptions.RequestException as e:
        error_message = f"Error al enviar: {e}"
        print(error_message)
        results_df = pd.DataFrame(results_log)
        return error_message, results_df


# Interfaz Gradio
with gr.Blocks() as demo:
    gr.Markdown("# Evaluador de Agente Básico")
    gr.Markdown("""
    **Instrucciones:**

    1. Modifica el código para ajustar el agente a tus necesidades.
    2. Inicia sesión en Hugging Face.
    3. Haz clic en 'Ejecutar Evaluación y Enviar Respuestas' para procesar las preguntas.

    --- 
    **Avisos:**
    Este espacio está diseñado para ser subóptimo con el fin de incentivar la personalización del código.
    """)

    gr.LoginButton()

    run_button = gr.Button("Ejecutar Evaluación y Enviar Respuestas")

    status_output = gr.Textbox(label="Estado de Ejecución / Resultado del Envío", lines=5, interactive=False)
    results_table = gr.DataFrame(label="Preguntas y Respuestas del Agente", wrap=True)

    run_button.click(
        fn=execute_agent_operations,
        outputs=[status_output, results_table]
    )

if __name__ == "__main__":
    print("Iniciando aplicación de evaluación de agente...")
    demo.launch(debug=True, share=False)