Update agent.py

agent.py

@@ -1,239 +1,63 @@
-import os
-import gradio as gr
-import requests
-from smolagents import Tool, CodeAgent, FinalAnswerTool, AzureOpenAIServerModel
-from tavily import TavilyClient
-from dotenv import load_dotenv
-
-load_dotenv()  # Cargar variables de entorno
-
-# Variables de entorno
-AZURE_OPENAI_MODEL = os.getenv("AZURE_OPENAI_MODEL")
-AZURE_OPENAI_ENDPOINT = os.getenv("AZURE_OPENAI_ENDPOINT")
-AZURE_OPENAI_API_KEY = os.getenv("AZURE_OPENAI_API_KEY")
-OPENAI_API_VERSION = os.getenv("OPENAI_API_VERSION")
-DEFAULT_API_URL = "https://agents-course-unit4-scoring.hf.space"
-
-# Herramientas definidas
-duck_search = Tool.from_space("duckduckgo-search-v1", name="duck_search", description="Búsqueda en DuckDuckGo", api_name="/predict")
-google_search = Tool.from_space("google-search-v1", name="google_search", description="Búsqueda en Google", api_name="/predict")
-visit_page = Tool.from_space("visit-webpage-v1", name="visit_page", description="Visita páginas web", api_name="/predict")
-wiki_search = Tool.from_space("wikipedia-search-v1", name="wiki_search", description="Búsqueda en Wikipedia", api_name="/predict")
-do_python = Tool.from_space("python-interpreter-v1", name="do_python", description="Ejecuta código Python", api_name="/predict")
-final_answer = FinalAnswerTool()
-
-# Inicializar el cliente de Tavily
-tavily_search = TavilyClient()
-
-speech_to_text_tool = Tool.from_space("hf-audio/whisper-large-v3-turbo", 
-                                      name="speech_to_text_tool", 
-                                      description="Convierte audio en texto proporcionando un archivo o URL.",
-                                      api_name="/predict")
-
-visual_qa_tool = Tool.from_space("sitammeur/PicQ", 
-                                 name="visual_qa_tool",
-                                 description="Responde preguntas sobre una imagen proporcionada.",
-                                 api_name="/predict")
-
-# Agente básico
-class BasicAgent:
+import agent_tools
+from smolagents import CodeAgent, AzureOpenAIServerModel
+import my_tokens
+
+# Instancia del modelo
+model = AzureOpenAIServerModel(
+    model_id=my_tokens.AZURE_OPENAI_MODEL,
+    azure_endpoint=my_tokens.AZURE_OPENAI_ENDPOINT,
+    api_key=my_tokens.AZURE_OPENAI_API_KEY,
+    api_version=my_tokens.OPENAI_API_VERSION    
+)
+
+class CustomAgent:
     def __init__(self):
-        # Agente para búsqueda web
+        # Definir agentes de trabajo con sus herramientas
         self.web_agent = CodeAgent(
-            model=AzureOpenAIServerModel(
-                model_id=AZURE_OPENAI_MODEL,
-                azure_endpoint=AZURE_OPENAI_ENDPOINT,
-                api_key=AZURE_OPENAI_API_KEY,
-                api_version=OPENAI_API_VERSION
-            ),
-            tools=[duck_search, google_search, wiki_search, visit_page, final_answer],
+            model=model,
+            tools=[agent_tools.google_search, agent_tools.wiki_search, agent_tools.visit_page, agent_tools.final_answer],
             max_steps=8,
             name="web_agent",
-            description="Realiza búsquedas web usando Google, DuckDuckGo y Wikipedia.",
-            add_base_tools=True
+            description="Este agente maneja búsquedas web."
         )
 
-        # Agente para convertir audio a texto
         self.audio_agent = CodeAgent(
-            model=AzureOpenAIServerModel(
-                model_id=AZURE_OPENAI_MODEL,
-                azure_endpoint=AZURE_OPENAI_ENDPOINT,
-                api_key=AZURE_OPENAI_API_KEY,
-                api_version=OPENAI_API_VERSION
-            ),
-            tools=[speech_to_text_tool, final_answer],
+            model=model,
+            tools=[agent_tools.speech_to_text_tool, agent_tools.final_answer],
             max_steps=4,
             name="audio_agent",
-            description="Convierte audio en texto.",
-            add_base_tools=True
+            description="Este agente convierte audio a texto."
         )
 
-        # Agente para ejecutar código Python
         self.py_agent = CodeAgent(
-            model=AzureOpenAIServerModel(
-                model_id=AZURE_OPENAI_MODEL,
-                azure_endpoint=AZURE_OPENAI_ENDPOINT,
-                api_key=AZURE_OPENAI_API_KEY,
-                api_version=OPENAI_API_VERSION
-            ),
-            tools=[do_python, final_answer],
+            model=model,
+            tools=[agent_tools.do_python, agent_tools.final_answer],
             additional_authorized_imports=["json", "pandas", "numpy", "regex"],
             max_steps=8,
             name="python_code_agent",
-            description="Ejecuta y valida código Python.",
-            add_base_tools=True
+            description="Este agente ejecuta y valida código Python."
         )
 
-        # Agente para responder preguntas sobre imágenes
         self.visual_agent = CodeAgent(
-            model=AzureOpenAIServerModel(
-                model_id=AZURE_OPENAI_MODEL,
-                azure_endpoint=AZURE_OPENAI_ENDPOINT,
-                api_key=AZURE_OPENAI_API_KEY,
-                api_version=OPENAI_API_VERSION
-            ),
-            tools=[visual_qa_tool, final_answer],
+            model=model,
+            tools=[agent_tools.visual_qa_tool, agent_tools.final_answer],
             max_steps=4,
             name="visual_qa_agent",
-            description="Responde preguntas sobre imágenes.",
-            add_base_tools=True
+            description="Este agente responde preguntas sobre imágenes."
         )
 
-        # Agente principal que maneja los subagentes
         self.manager_agent = CodeAgent(
-            model=AzureOpenAIServerModel(
-                model_id=AZURE_OPENAI_MODEL,
-                azure_endpoint=AZURE_OPENAI_ENDPOINT,
-                api_key=AZURE_OPENAI_API_KEY,
-                api_version=OPENAI_API_VERSION
-            ),
+            model=model,
             tools=[],
             managed_agents=[self.web_agent, self.audio_agent, self.py_agent, self.visual_agent],
             planning_interval=8,
             verbosity_level=2,
             max_steps=12,
-            add_base_tools=True
         )
 
     def forward(self, question: str, attachment: str = None) -> str:
-        # Verificamos que el agente principal esté inicializado antes de llamarlo
-        if not self.manager_agent:
-            raise Exception("El agente principal no está inicializado correctamente.")
-        
         if attachment:
             result = self.manager_agent.run(question, additional_args={"attachment": attachment})
         else:
             result = self.manager_agent.run(question)
         return result
-
-
-# Función para ejecutar el flujo de trabajo completo
-def run_and_submit_all(profile: gr.OAuthProfile | None):
-    """
-    Obtiene todas las preguntas, ejecuta el BasicAgent sobre ellas, envía las respuestas y muestra los resultados.
-    """
-    space_id = os.getenv("SPACE_ID")  # Obtener el ID del espacio para enviar el enlace al código
-
-    if profile:
-        username = f"{profile.username}"
-        print(f"Usuario logueado: {username}")
-    else:
-        print("Usuario no logueado.")
-        return "Por favor, inicie sesión en Hugging Face.", None
-
-    api_url = DEFAULT_API_URL
-    questions_url = f"{api_url}/questions"
-    attachments_url = f"{api_url}/files/"
-    submit_url = f"{api_url}/submit"
-
-    # Inicializar el agente
-    try:
-        print("Iniciando agente...")
-        agent = BasicAgent()  # Inicialización correcta del agente
-    except Exception as e:
-        print(f"Error al inicializar el agente: {e}")
-        return f"Error al inicializar el agente: {e}", None
-
-    # 2. Obtener preguntas
-    print(f"Obteniendo preguntas de: {questions_url}")
-    try:
-        response = requests.get(questions_url, timeout=15)
-        response.raise_for_status()
-        questions_data = response.json()
-        if not questions_data:
-            print("La lista de preguntas está vacía.")
-            return "La lista de preguntas está vacía o en formato incorrecto.", None
-        print(f"Obtenidas {len(questions_data)} preguntas.")
-        for q in questions_data:
-            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 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
-
-    # 3. Ejecutar agente sobre preguntas
-    results_log = []
-    answers_payload = []
-    print(f"Ejecutando agente sobre {len(questions_data)} preguntas...")
-    for item in questions_data:
-        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 question_text is None:
-            print(f"Saltando elemento con task_id o pregunta faltante: {item}")
-            continue
-        try:
-            submitted_answer = agent.forward(question_text)  # Aquí ejecutamos el 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 ejecutando agente sobre tarea {task_id}: {e}")
-            results_log.append({"Task ID": task_id, "Question": question_text, "Submitted Answer": f"ERROR AGENTE: {e}"})
-
-    if not answers_payload:
-        print("El agente no generó respuestas.")
-        return "El agente no generó respuestas.", None
-
-    # 4. Preparar la sumisión
-    submission_data = {"username": username.strip(), "answers": answers_payload}
-    print(f"Enviando respuestas para el usuario '{username}'...")
-
-    # 5. Enviar respuestas
-    try:
-        response = requests.post(submit_url, json=submission_data, timeout=60)
-        response.raise_for_status()
-        result_data = response.json()
-        final_status = (
-            f"¡Envío exitoso!\n"
-            f"Usuario: {result_data.get('username')}\n"
-            f"Puntuación total: {result_data.get('score', 'N/A')}% "
-            f"({result_data.get('correct_count', '?')}/{result_data.get('total_attempted', '?')} correctas)"
-        )
-        print("Envío exitoso.")
-        return final_status, results_log
-    except requests.exceptions.RequestException as e:
-        status_message = f"Error al enviar respuestas: {e}"
-        print(status_message)
-        return status_message, results_log
-
-# Interfaz de Gradio
-with gr.Blocks() as demo:
-    gr.Markdown("# Evaluador de Agente Básico")
-    gr.LoginButton()
-    run_button = gr.Button("Ejecutar Evaluación y Enviar Todas las Respuestas")
-    status_output = gr.Textbox(label="Resultado de Ejecución / Envío", lines=5, interactive=False)
-    results_table = gr.DataFrame(label="Preguntas y Respuestas del Agente", wrap=True)
-    run_button.click(fn=run_and_submit_all, outputs=[status_output, results_table])
-
-if __name__ == "__main__":
-    demo.launch(debug=True, share=False)