Update agent.py

agent.py

@@ -1,13 +1,71 @@
-from transformers import pipeline
+import os
+import requests
+from huggingface_hub import hf_api
 
-# Usaremos un modelo ligero para mejor compatibilidad
-modelo = "google/gemma-2b-it"
+# Cargar el token de Hugging Face desde el entorno
+HF_TOKEN = os.getenv("HF_TOKEN")
+MODEL_NAME = os.getenv("MODEL_NAME", "meta-llama/Meta-Llama-3-8B-Instruct")  # Cambia al nombre del modelo si es necesario
 
-generador = pipeline("text-generation", model=modelo)
+# Función para llamar al modelo y obtener respuesta
+def call_model(prompt):
+    """
+    Llama al modelo de Hugging Face y devuelve la respuesta generada.
+    """
+    headers = {
+        "Authorization": f"Bearer {HF_TOKEN}",
+        "Content-Type": "application/json"
+    }
+    payload = {
+        "inputs": prompt,
+        "parameters": {"max_new_tokens": 512}
+    }
+
+    try:
+        response = requests.post(
+            f"https://api-inference.huggingface.co/models/{MODEL_NAME}",
+            headers=headers,
+            json=payload,
+            timeout=60
+        )
+        result = response.json()
+        if isinstance(result, dict) and result.get("error"):
+            raise ValueError(f"Error al procesar la solicitud: {result['error']}")
+        return result[0]["generated_text"] if isinstance(result, list) else result
+    except requests.exceptions.RequestException as e:
+        raise ValueError(f"Error de conexión con el modelo: {str(e)}")
+    except Exception as e:
+        raise ValueError(f"Error al obtener respuesta del modelo: {str(e)}")
+
+# Clase para representar la lógica del agente
+class Agente:
+    def __init__(self):
+        self.name = "Agente Hugging Face"
+        self.version = "1.0"
 
-def ejecutar_agente(texto):
+    def procesar_pregunta(self, pregunta):
+        """
+        Procesa la pregunta y devuelve la respuesta generada por el modelo.
+        """
+        print(f"Procesando pregunta: {pregunta}")
+        try:
+            respuesta = call_model(pregunta)
+            return respuesta
+        except ValueError as e:
+            print(f"Error al procesar la pregunta: {e}")
+            return f"ERROR: {e}"
+
+# Función para ejecutar la evaluación de preguntas
+def evaluar_preguntas(preguntas):
     """
-    Procesa una pregunta usando el modelo LLM.
+    Toma una lista de preguntas, las procesa y devuelve las respuestas generadas.
     """
-    resultado = generador(texto, max_new_tokens=300, do_sample=True, temperature=0.7)
-    return resultado[0]["generated_text"]
+    agente = Agente()
+    respuestas = []
+
+    for pregunta in preguntas:
+        print(f"Evaluando: {pregunta}")
+        respuesta = agente.procesar_pregunta(pregunta)
+        respuestas.append(respuesta)
+
+    return respuestas
+