app.py

import nest_asyncio
nest_asyncio.apply()

from llama_index.core import (
    VectorStoreIndex,
    ServiceContext,
    SimpleDirectoryReader,
    load_index_from_storage,
)

from llama_index.core.storage import StorageContext
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.prompts import PromptTemplate
from llama_index.core.response_synthesizers import TreeSummarize
from llama_index.core.query_pipeline import InputComponent
from llama_index.core.indices.knowledge_graph import KGTableRetriever
from llama_index.legacy.vector_stores.faiss import FaissVectorStore
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.core import Settings

import os
from datetime import datetime
import gradio as gr
import pandas as pd



# Context:
exec(os.environ.get('context'))



##### Graph start ##########
from pyvis.network import Network
from io import StringIO
import html

def draw_graph():
    global kg_data
    
    # Crear un grafo con opciones visuales básicas
    net = Network(
        notebook=True,
        height="760px",
        width="100%",
        #select_menu=True,
        #neighborhood_highlight=True,
        cdn_resources="remote"
    )

    # Añadir nodos y relaciones desde los datos del grafo
    for source, relation, target in kg_data:
        # Agregar nodos
        net.add_node(source, label=source, color="#57faad", size=15)
        net.add_node(target, label=target, color="#4795c1", size=15)
        # Agregar aristas con la relación como etiqueta
        net.add_edge(source, target, title=relation, label=relation, color="orange")

    # Generar el HTML como string
    html_contenido = net.generate_html()

    # Generar el iframe embebido
    return generar_iframe_embebido(html_contenido)

def generar_iframe_embebido(html_contenido):
    # Escapar el contenido HTML para que sea seguro dentro del atributo srcdoc
    html_escapado = html.escape(html_contenido)
    
    # Generar el string del iframe con el contenido embebido
    iframe = f"""
    <iframe srcdoc="{html_escapado}" width="100%" height="800px" style="border:none;"></iframe>
    """
    return iframe    
##### Graph end ##########



##### Refs start ##########
import re
def extraer_informacion_metadata(respuesta, max_results=10):
    # Obtener source_nodes de la respuesta
    source_nodes = respuesta.source_nodes

    # Obtener page_labels, file_names y scores de source_nodes
    page_file_info = [
        f"<strong>Página {node.node.metadata.get('page_label', '')} del archivo {node.node.metadata.get('file_name', '')}</strong> (Relevance: {node.score:.6f} - Id: {node.node.id_})\n\n"
        for node in source_nodes if node.score <= 1  # Excluir nodos con score > 1
    ]

    # Limitar la cantidad de resultados
    page_file_info = page_file_info[:max_results]

    return page_file_info


import html
def extraer_textos_metadata(respuesta, max_results=10):
    # Obtener source_nodes de la respuesta
    source_nodes = respuesta.source_nodes

    # Obtener información de página, archivo y texto de cada nodo
    page_file_text_info = []
    for node in source_nodes:
        if node.score <= 1:  # Excluir nodos con score > 1
            page_label = node.node.metadata.get('page_label', '')
            file_name = node.node.metadata.get('file_name', '')
            text = node.node.text.strip()

            # Escapar caracteres especiales en el texto
            escaped_text = html.escape(text)

            # Formatear con HTML
            formatted_text = f"""
            <div style="margin-bottom: 10px;">
                <strong style="font-size: 11px;">Página {page_label} del archivo {file_name}</strong>
                <p style="font-size: 9px; margin-top: 5px;">{escaped_text}</p>
                <hr style="border: 1px solid #ccc; margin:10px 0;">
            </div>
            """
            page_file_text_info.append(formatted_text.strip())  # Quitar espacios adicionales

    # Limitar la cantidad de resultados
    page_file_text_info = page_file_text_info[:max_results]

    return ''.join(page_file_text_info)  # Devolver como un string limpio
##### Refs end ##########



##### Logs start ##########
import pandas as pd
from datasets import load_dataset, Dataset, DatasetDict
from huggingface_hub import login, HfApi, file_exists, hf_hub_download, list_repo_files

# HuggingFace Token:
HF_TOKEN = os.environ.get('hf')

# Definiciones
repo_name = "pharma-IA"
project_id = "gmpcolombia"

def save_to_dataset(user_message, response_text, user):
    current_month = datetime.now().strftime('%Y-%m')
    filename = f"logs_{current_month}.csv"
    repo_id = f"{repo_name}/logs-{project_id}"

    if file_exists(repo_id=repo_id, filename=f"{filename}", repo_type="dataset", token=HF_TOKEN):
        local_filepath = hf_hub_download(
            repo_id=repo_id,
            filename=f"{filename}",
            repo_type="dataset",
            token=HF_TOKEN
        )
        df = pd.read_csv(local_filepath)
    else:
        df = pd.DataFrame(columns=["timestamp", "user_message", "response_text", "flag", "user"])

    timestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    new_data = pd.DataFrame([{
        "timestamp": timestamp,
        "user_message": user_message,
        "response_text": response_text,
        "flag": "",
        "user": user
    }])

    df = pd.concat([df, new_data], ignore_index=True)
    df.to_csv(filename, index=False)

    api = HfApi()
    api.upload_file(
        path_or_fileobj=filename,
        path_in_repo=f"{filename}",
        repo_id=repo_id,
        token=HF_TOKEN,
        repo_type="dataset"
    )

def normalize_text(text):
    return text.strip().lower()

def print_like_dislike(x: gr.LikeData):
    #print(f"Value: {x.value}")
    #print(f"Liked: {x.liked}")

    if x is not None:
        text_value = x.value if isinstance(x.value, str) else x.value.get('value', '')
        current_month = datetime.now().strftime('%Y-%m')
        filename = f"logs_{current_month}.csv"
        repo_id = f"{repo_name}/logs-{project_id}"

        if file_exists(repo_id=repo_id, filename=f"{filename}", repo_type="dataset", token=HF_TOKEN):
            local_filepath = hf_hub_download(
                repo_id=repo_id,
                filename=f"{filename}",
                repo_type="dataset",
                token=HF_TOKEN
            )
            df = pd.read_csv(local_filepath)
            #print(df.head())  # Verifica el contenido del archivo CSV

            normalized_value = normalize_text(text_value)
            df['normalized_response_text'] = df['response_text'].apply(normalize_text)

            response_indices = df.index[df['normalized_response_text'].str.contains(normalized_value, na=False, regex=False)].tolist()
            print(f"Response Indices: {response_indices}")

            if response_indices:
                response_index = response_indices[-1]
                print(f"Updating index: {response_index} with value: {x.liked}")

                # Solo actualiza el valor de 'flag'
                df['flag'] = df['flag'].astype(object)
                df.at[response_index, 'flag'] = str(x.liked)

                df = df.drop(columns=['normalized_response_text'])
                df.to_csv(filename, index=False)

                api = HfApi()
                api.upload_file(
                    path_or_fileobj=filename,
                    path_in_repo=f"{filename}",
                    repo_id=repo_id,
                    token=HF_TOKEN,
                    repo_type="dataset"
                )
            else:
                print("No matching response found to update.")
        else:
            print(f"File {filename} does not exist in the repository.")
    else:
        print("x is None.")

def save_evals_to_dataset(query, faithfulness_score, ans_relevancy_score, ctx_relevancy_score):
    current_month = datetime.now().strftime('%Y-%m')
    filename = f"logs_{current_month}.csv"
    repo_id = f"{repo_name}/logs-{project_id}"

    if file_exists(repo_id=repo_id, filename=f"{filename}", repo_type="dataset", token=HF_TOKEN):
        local_filepath = hf_hub_download(
            repo_id=repo_id,
            filename=f"{filename}",
            repo_type="dataset",
            token=HF_TOKEN
        )
        df = pd.read_csv(local_filepath)
    else:
        print(f"File {filename} does not exist in the repository.")
        return

    # Normalizamos el query para la comparación
    normalized_query = normalize_text(query).lower()  # Convertimos a minúsculas

    # Buscamos la última entrada que coincida con el query, convirtiendo a minúsculas en la comparación
    matching_indices = df.index[df['user_message'].str.lower().str.contains(normalized_query, na=False, regex=False)].tolist()
    
    if matching_indices:
        last_index = matching_indices[-1]  # Tomamos la última coincidencia
        # Agregamos los puntajes a las columnas correspondientes
        df.at[last_index, 'groundedness'] = faithfulness_score
        df.at[last_index, 'answer_rel'] = ans_relevancy_score
        df.at[last_index, 'context_rel'] = ctx_relevancy_score
        
        df.to_csv(filename, index=False)

        api = HfApi()
        api.upload_file(
            path_or_fileobj=filename,
            path_in_repo=f"{filename}",
            repo_id=repo_id,
            token=HF_TOKEN,
            repo_type="dataset"
        )
    else:
        print("No matching query found in the dataset.")

# Función para verificar si un archivo existe en el repositorio
def file_exists(repo_id, filename, repo_type="dataset", token=None):
    files = list_repo_files(repo_id=repo_id, repo_type=repo_type, token=token)
    return filename in files

# Función para cargar las hojas de auditoría disponibles
def load_available_logs():
    repo_id = f"{repo_name}/logs-{project_id}"
    files = list_repo_files(repo_id=repo_id, repo_type="dataset", token=HF_TOKEN)

    # Filtramos los archivos CSV con formato 'logs_YYYY-MM.csv'
    available_months = [f.split('_')[1].replace('.csv', '') for f in files if f.startswith('logs_')]
    return available_months

# Cargar los logs del mes seleccionado
def load_audit_trail(selected_month):
    filename = f"logs_{selected_month}.csv"
    repo_id = f"{repo_name}/logs-{project_id}"

    if file_exists(repo_id=repo_id, filename=filename, repo_type="dataset", token=HF_TOKEN):
        local_filepath = hf_hub_download(
            repo_id=repo_id,
            filename=filename,
            repo_type="dataset",
            token=HF_TOKEN
        )
        df = pd.read_csv(local_filepath)

        # Convertir el campo 'timestamp' a una cadena con el formato UTC-0
        df["timestamp"] = pd.to_datetime(df["timestamp"]).dt.strftime('%Y-%m-%d %H:%M:%S UTC-0')

        # Ordenar por la columna timestamp de forma descendente
        df = df.sort_values(by="timestamp", ascending=False)

        # Renombrar las columnas para visualización
        df = df.rename(columns={
            "timestamp": "Marca de Tiempo",
            "user_message": "Mensaje Usuario",
            "response_text": "Respuesta",
            "flag": "Etiqueta",
            "user": "Usuario",
            "groundedness": "Groundedness",
            "answer_rel": "Answer Relev.",
            "context_rel": "Context Relev."
        })

        return df
    else:
        return pd.DataFrame(columns=["Marca de Tiempo", "Mensaje Usuario", "Respuesta", "Etiqueta", "Usuario"])
##### Logs end ##########



##### Evaluate start ##########
from llama_index.core.evaluation import FaithfulnessEvaluator
from llama_index.core.evaluation import RelevancyEvaluator
from llama_index.core.evaluation import AnswerRelevancyEvaluator
from llama_index.core.evaluation import ContextRelevancyEvaluator

final_response = ""
query = ""

def ctx_relevancy_eval():
    global final_response
    global query

    # Verificamos si 'final_response' tiene el atributo 'source_nodes'
    if not hasattr(final_response, 'source_nodes'):
        raise AttributeError("El objeto 'final_response' no tiene un atributo 'source_nodes'.")

    # Obtener los source_nodes de la respuesta
    source_nodes = final_response.source_nodes

    # Extraer los textos de los source nodes
    contexts = []
    for node in source_nodes:
        if node.score <= 1:  # Excluir nodos con score > 1
            text = node.node.text.strip()
            contexts.append(text)

    if not contexts:
        raise ValueError("No se encontraron textos en los source nodes.")

    evaluator = ContextRelevancyEvaluator(llm=gpt4omini)
    evaluation_result = evaluator.evaluate(query=query, contexts=contexts)

    # Extraer el puntaje de la evaluación
    relevancy_score = evaluation_result.score

    return relevancy_score

def faithfulness_eval():
    global final_response
    global query

    # Verificamos si 'final_response' tiene el atributo 'source_nodes'
    if not hasattr(final_response, 'source_nodes'):
        raise AttributeError("El objeto 'final_response' no tiene un atributo 'source_nodes'.")

    # Obtener los source_nodes de la respuesta
    source_nodes = final_response.source_nodes

    # Extraer los textos de los source nodes
    contexts = []
    for node in source_nodes:
        if node.score <= 1:  # Excluir nodos con score > 1
            text = node.node.text.strip()
            contexts.append(text)

    if not contexts:
        raise ValueError("No se encontraron textos en los source nodes.")
        
    evaluator = FaithfulnessEvaluator(llm=llm)
    eval_result = evaluator.evaluate(query=query, response=final_response.response, contexts=contexts)

    print("Groundedness: " + str(eval_result.score) + " - " + str(eval_result.passing) + "\n")
    print("Respuesta: " + str(final_response) + "\n\n----------")
    print("Contexts: " + str(contexts) + "\n\n----------")
    return float(eval_result.score)

def ans_relevancy_eval():
    global final_response
    global query
    evaluator = AnswerRelevancyEvaluator(llm=gpt4omini)
    eval_result = evaluator.evaluate(query=query, response=final_response.response)

    return float(eval_result.score)

def evaluate():
    global query
    
    # Evaluaciones y escalado
    faithfulness_score = round(faithfulness_eval() * 5, 1)  # Redondear a un decimal
    ans_relevancy_score = round(ans_relevancy_eval() * 5, 1)  # Redondear a un decimal
    ctx_relevancy_score = round(ctx_relevancy_eval() * 5, 1)  # Redondear a un decimal

    # Llamamos a save_evals_to_dataset
    save_evals_to_dataset(query, faithfulness_score, ans_relevancy_score, ctx_relevancy_score)

    def get_color(value):
        if value <= 1.6667:
            return '#f07b61'  # Rojo
        elif value <= 3.3334:
            return '#f3e076'  # Amarillo
        else:
            return '#84fa57'  # Verde

    color1 = get_color(faithfulness_score)
    color2 = get_color(ans_relevancy_score)
    color3 = get_color(ctx_relevancy_score)

    html_output = f"""
    <div style="display: flex; justify-content: space-around; align-items: center; width: 100%; flex-direction: column; text-align: center; margin: 10px 0;">
        <div style="display: flex; justify-content: space-around; align-items: center; width: 100%;">
            <div style="margin: 10px; display: flex; flex-direction: column; align-items: center;">
                <div style="width: 50px; height: 50px; background-color: {color1}; border-radius: 50%; display: flex; justify-content: center; align-items: center; color: white; font-weight: bold;">
                    {faithfulness_score}
                </div>
                <div style="margin-top: 6px;">Groundedness</div>
            </div>
            <div style="margin: 10px; display: flex; flex-direction: column; align-items: center;">
                <div style="width: 50px; height: 50px; background-color: {color2}; border-radius: 50%; display: flex; justify-content: center; align-items: center; color: white; font-weight: bold;">
                    {ans_relevancy_score}
                </div>
                <div style="margin-top: 6px;">Answer Relevance</div>
            </div>
            <div style="margin: 10px; display: flex; flex-direction: column; align-items: center;">
                <div style="width: 50px; height: 50px; background-color: {color3}; border-radius: 50%; display: flex; justify-content: center; align-items: center; color: white; font-weight: bold;">
                    {ctx_relevancy_score}
                </div>
                <div style="margin-top: 6px;">Context Relevance</div>
            </div>
        </div>
    </div>
    """
    return html_output
##### Evaluate end ##########







    

chat_history_engine = []
result_metadata = ""
result_texts = ""
result_evals = ""

css = """
.block {
    background: rgba(245, 247, 249, 0.7) !important;
}
#component-1 {
    background: transparent !important;
}

.block.accordion > button:first-of-type span  {
    font-size: medium !important;
    font-weight: bold !important;
}

.examples .block {
    background: transparent !important;
}

table {
    font-size: x-small !important;
}

#btn_select {
    width:100px;
}

#select_list label {
    width: 100%;
}
"""

choices_with_tools = [
    ("[1] Guía No Conformidades GLP", retriever_1_tool),
    ("[2] Guía No Conformidades GMP", retriever_2_tool),
    ("[3] MANUAL DE NORMAS TÉCNICAS DE CALIDAD", retriever_3_tool),
    ("[4] Resolución 1160 - GMP - 2016", retriever_4_tool),
#    ("[5] Resolución 2266 - DECRETO FITOTERAPÉUTICOS - 2004", retriever_5_tool),
    ("[6] Resolución 3619 - GLP - 2013", retriever_6_tool),
#    ("[7] Resolución 005107 - FITOTERAPEUTICOS - 2005", retriever_7_tool),    
    ("[8] Resolución 3690 - 2016", retriever_8_tool),
    ("[9] Resolución 3157 - 2018", retriever_9_tool),
    ("[10] Preguntas y respuestas Res. 3157 - 2018", retriever_10_tool),
    ("General", retriever_all_tool),
    
]

# Solo extraer los nombres para mostrarlos en la interfaz
selected_choices = [label for label, _ in choices_with_tools]
choice_labels = [label for label, _ in choices_with_tools]

with gr.Blocks(theme='sudeepshouche/minimalist', css=css) as demo:

    # Actualizar las choices seleccionadas
    def update_selected_choices(choices):
        global selected_choices
        selected_choices = choices

    # Alternar la selección
    def toggle_all(selected):
        if len(selected) == len(choice_labels):
            return []  # Deseleccionar todos
        else:
            return choice_labels  # Seleccionar todos
    
    def get_ref():
        return {mkdn: gr.Markdown(result_metadata), texts: gr.HTML(str(result_texts))}

    def get_graph():
        iframe_grafo = draw_graph()
        return {grafo: gr.HTML(iframe_grafo)}

    def get_logs(selected_month):
        df = load_audit_trail(selected_month)
        return df

    def get_evals():
        global result_evals
        global final_response
        global query
    
        # Verificar si 'final_response' está vacío
        if not final_response:
            # Si no hay final_response pero hay un resultado previo en result_evals, devolverlo
            if result_evals:
                return {evals: gr.HTML(f"""
                <div style="display: flex; justify-content: space-around; align-items: center; width: 100%; flex-direction: column; text-align: center; margin: 10px 0;">
                {result_evals}
                <p style="font-size: 10px;">Esta evaluación corresponde a la consulta: <strong>{query}</strong></p>
                </div>
                """)}
    
            # Si no hay final_response ni resultados previos, mostrar advertencia
            gr.Info("Se necesita una respuesta completa para iniciar la evaluación.")
            return {evals: gr.HTML(f"""
            <div style="display: flex; justify-content: space-around; align-items: center; width: 100%; flex-direction: column; text-align: center; margin: 10px 0;">
            Se necesita una respuesta completa para iniciar la evaluación.</div>
            """)}
    
        # Ejecuta la evaluación si final_response está disponible
        result_evals = evaluate()
    
        # Reiniciar 'final_response' después de la evaluación
        final_response = ""
    
        # Devolver el resultado de la evaluación
        return {evals: gr.HTML(f"""{result_evals}"""), eval_accord: gr.Accordion(elem_classes="accordion", label="Evaluaciones", open=True)}

    def refresh(chat_history):
        global kg_data
        global chat_history_engine
        global result_metadata
        kg_data = []
        chat_history_engine = []
        result_metadata = ""
        chat_history = [[None, None]]
        return chat_history

    def summarize_assistant_messages(chat_history: List[ChatMessage]) -> List[ChatMessage]:
        # Encontrar la anteúltima respuesta del asistente
        assistant_messages = [msg for msg in chat_history if msg.role == MessageRole.ASSISTANT]
        if len(assistant_messages) < 2:
            return chat_history  # No hay suficientes mensajes del asistente para resumir

        anteultima_respuesta = assistant_messages[-2]

        # Usar GPT-3.5 para generar un resumen de la anteúltima respuesta del asistente
        prompt = Prompt(f"Responder SOLO con un resumen del siguiente texto: \n\n{anteultima_respuesta.content}")
        response = gpt4omini.predict(prompt)

        # Crear un nuevo ChatMessage con el resumen como contenido y el rol de asistente
        summarized_message = ChatMessage(content=response, role=MessageRole.ASSISTANT)

        # Reconstruir el historial de chat reemplazando la anteúltima respuesta del asistente con el resumen
        new_chat_history = [msg if msg != anteultima_respuesta else summarized_message for msg in chat_history]

        return new_chat_history


    def respond(message, chat_history):
        global chat_history_engine
        global result_metadata
        global result_texts
        global final_response
        global query
        global selected_choices
        global bm_status  # Asegúrate de declarar bm_status como global
    
        # Inicializar el historial de chat si está vacío con el mensaje del usuario actual
        if not chat_history:
            chat_history = [[message, ""]]
        else:
            # Agregar el mensaje actual al historial de chat
            chat_history.append([message, ""])
    
        # Resumir los mensajes previos en chat_history_engine
        chat_history_engine = summarize_assistant_messages(chat_history_engine)
    
        # Determina si 'retriever_all_tool' está en los retrievers seleccionados y ajusta 'bm_status'
        bm_status = any(tool is retriever_all_tool for label, tool in choices_with_tools if label in selected_choices)
    
        # Engine:
        retriever_tools = [tool for choice, tool in choices_with_tools if choice in selected_choices]
        print("Choice: " + str(retriever_tools))
        
        # Configuración dinámica de RouterRetriever y engine
        retriever = RouterRetriever(
            selector=PydanticMultiSelector.from_defaults(
                llm=llm, prompt_template_str=DEFAULT_MULTI_PYD_SELECT_PROMPT_TMPL, max_outputs=3
            ),
            retriever_tools=retriever_tools,
        )
        custom_retriever = CustomRetriever(retriever, kg_retriever)
        
        query_engine = RetrieverQueryEngine.from_args(
            retriever=custom_retriever,
            response_synthesizer=response_synthesizer,
            streaming=True
        )
        
        memory = ChatMemoryBuffer.from_defaults(token_limit=20000)
        
        chat_engine = ContextChatEngine.from_defaults(
            retriever=custom_retriever,
            system_prompt=system_prompt,
            memory=memory,
            node_postprocessors=[],
            context_template=context_prompt,
            llm=gpt4omini
        )
        
        # Generar la respuesta usando el motor de chat
        response = chat_engine.stream_chat(message, chat_history=chat_history_engine)
    
        # Extraer la información de los metadatos y textos de la respuesta
        metadata_info = extraer_informacion_metadata(response, max_results=10)
        texts_info = extraer_textos_metadata(response, max_results=10)
    
        if metadata_info:
            result_metadata = "\n".join(metadata_info)
        if texts_info:
            result_texts = texts_info
    
        # Procesar la respuesta generada y agregarla al historial del chat
        for text in response.response_gen:
            chat_history[-1][1] += text
            yield "", chat_history
        # Guardar la conversación en el dataset
        save_to_dataset(message, chat_history[-1][1], "no-ingresado")
            
        final_response = response
        query = message




    gr.Markdown("""
    # PharmaWise GMP Colombia Chat 4.7
    Realiza preguntas a tus datos y obtén al final del texto las paginas y documentos utilizados generar tu responder.
    """)
    with gr.Row():
        with gr.Column():
            chatbot = gr.Chatbot(show_label=False, show_copy_button=True, ) #layout="panel"
            pregunta = gr.Textbox(show_label=False, autofocus=True, placeholder="Realiza tu consulta...")
            pregunta.submit(respond, [pregunta, chatbot], [pregunta, chatbot])

            with gr.Row():
                btn_send = gr.Button(value="Preguntar", variant="primary")
                clear = gr.Button(value="Limpiar")

            with gr.Row(elem_classes="examples"):
                gr.Examples(label="Ejemplos", examples=["Implementación de la res. 3157 de 2018"], inputs=[pregunta])

        with gr.Column():
            with gr.Accordion(elem_classes="accordion", label="Bases de datos del conocimiento", open=False):
                # CheckboxGroup
                chx = gr.CheckboxGroup(choices=choice_labels, value=choice_labels, show_label=False, elem_id="select_list")
                chx.select(fn=update_selected_choices, inputs=chx)  
                
                # Seleccionar/deseleccionar todos
                toggle_button = gr.Button("Selección", elem_id="btn_select")
                toggle_button.click(fn=toggle_all, inputs=chx, outputs=chx)

            with gr.Accordion(elem_classes="accordion", label="Referencias", open=True):
                mkdn = gr.Markdown()

            with gr.Row():
                btn_graph = gr.Button(value="Grafo")
                btn_ref = gr.Button(value="Referencias")
                btn_eval = gr.Button(value="Evaluar")

            eval_accord = gr.Accordion(elem_classes="accordion", label="Evaluaciones", open=False)
            with eval_accord:
                evals = gr.HTML()
                gr.Markdown("""| **Evaluador**         | **Qué mide**                                          | **Ejemplo de uso**                                    | **Diferencias clave**                                   |
|-----------------------|-------------------------------------------------------|-------------------------------------------------------|--------------------------------------------------------|
| **Groundedness**      | Qué tan fundamentada está la respuesta en el contexto. | ¿La respuesta está respaldada por el contexto proporcionado? | Se enfoca en la relación entre la respuesta y el contexto. |
| **Answer Relevance**  | Qué tan relevante es la respuesta para la consulta.  | ¿La respuesta es pertinente a lo que el usuario preguntó? | Se centra en la relevancia de la respuesta ante la consulta. |
| **Context Relevance** | Qué tan relevante es el contexto recuperado para la consulta. | ¿El contexto obtenido es relevante para la consulta del usuario? | Se enfoca en la pertinencia del contexto en relación con la consulta. |
""")
    
    with gr.Row():
        grafo = gr.HTML(label="Grafo")

    with gr.Accordion(elem_classes="accordion", label="Audit trail", open=False):
        with gr.Row():
            with gr.Column():
                available_months = load_available_logs()
                default_month = available_months[-1] if available_months else None
                dropdown = gr.Dropdown(choices=available_months, label="Seleccionar mes", value=default_month)
                btn_logs = gr.Button(value="Actualizar")
            with gr.Column():
                gr.Markdown()
            with gr.Column():
                gr.Markdown()
        # Define un DataFrame con un ancho fijo para response_text
        logs_df = gr.DataFrame(headers=["Marca de Tiempo", "Mensaje Usuario", "Respuesta", "Etiqueta", "Usuario"], wrap=True, line_breaks=True)


    with gr.Accordion(elem_classes="accordion", label="Referencias ampliadas", open=False):
        texts = gr.HTML()

    btn_logs.click(fn=get_logs, inputs=[dropdown], outputs=[logs_df])
    btn_ref.click(fn=get_ref, outputs=[mkdn, texts])
    btn_eval.click(fn=get_evals, outputs=[evals, eval_accord])
    btn_send.click(respond, [pregunta, chatbot], [pregunta, chatbot])
    btn_graph.click(fn=get_graph, outputs=[grafo])

    clear.click(refresh, inputs=[chatbot], outputs=[chatbot])
    chatbot.like(print_like_dislike, None, None)

demo.queue(default_concurrency_limit=20)
demo.launch()