main.py

# from fastapi import FastAPI
# from pydantic import BaseModel
# from transformers import AutoModelForCausalLM, AutoTokenizer, StoppingCriteria, StoppingCriteriaList
# import torch

# app = FastAPI()

# model_id = "HuggingFaceTB/SmolLM2-360M"
# tokenizer = AutoTokenizer.from_pretrained(model_id)
# model = AutoModelForCausalLM.from_pretrained(model_id)

# class ChatRequest(BaseModel):
#     context: str  # Historial de la conversación, como texto

# class NewlineStoppingCriteria(StoppingCriteria):
#     def __init__(self, prompt_len, tokenizer):
#         super().__init__()
#         self.prompt_len = prompt_len
#         self.tokenizer = tokenizer

#     def __call__(self, input_ids, scores, **kwargs):
#         # Chequea si después del prompt hay un token de salto de línea
#         gen_tokens = input_ids[0][self.prompt_len:]
#         gen_text = self.tokenizer.decode(gen_tokens, skip_special_tokens=True)
#         return '\n' in gen_text

# @app.post("/chat/demo_base")
# async def chat_demo_base(request: ChatRequest):
#     prompt = (
#         "Conversacion 1:\n"
#         "-Dauro: -Hola Juanjo.\n"
#         "-Juanjo: -¿Qué tal?\n"
#         "-Dauro: -Bien, ¿y tú?\n\n"
#         "Conversacion 2:\n"
#         "-Juanjo: -Oye Asistente, ¿puedes mirar esto?\n"
#         "-Asistente: -Por supuesto, dime.\n\n"
#         f"Conversacion 3:\n{request.context}\n"
#     )

#     inputs = tokenizer(prompt, return_tensors="pt")
#     input_ids = inputs["input_ids"]
#     attention_mask = inputs["attention_mask"]

#     stopping_criteria = StoppingCriteriaList([
#         NewlineStoppingCriteria(prompt_len=input_ids.shape[1], tokenizer=tokenizer)
#     ])

#     output = model.generate(
#         input_ids=input_ids,
#         attention_mask=attention_mask,
#         max_new_tokens=15,
#         temperature=0.9,
#         top_p=0.8,
#         do_sample=True,
#         pad_token_id=tokenizer.eos_token_id if hasattr(tokenizer, "eos_token_id") else None,
#         stopping_criteria=stopping_criteria,
#     )

#     generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
#     # Solo el fragmento después del prompt
#     continuation = generated_text[len(prompt):].split('\n')[0]

#     return {"generated_text": generated_text}
from fastapi import FastAPI
from pydantic import BaseModel
from typing import List, Optional

app = FastAPI()

# Almacenamiento en memoria temporal
registro_actual = {}

# Modelo de entrada
class DialogoEntrada(BaseModel):
    enunciado: str
    personajes: List[str]  # lista de 3 personajes
    relato_inicial: str
    final_1: str
    final_2: str
    final_3: str

# Modelo de salida
class DialogoSalida(BaseModel):
    enunciado: str
    personajes: List[str]
    relato_inicial: str
    final_1: str
    final_2: str
    final_3: str

@app.post("/entrada")
async def registrar_dialogo(dialogo: DialogoEntrada):
    global registro_actual
    registro_actual = dialogo.dict()  # Sobrescribe el contenido anterior
    return {"status": "registro guardado"}

@app.get("/salida", response_model=Optional[DialogoSalida])
async def obtener_y_limpiar():
    global registro_actual
    if not registro_actual:
        return None
    salida = registro_actual
    registro_actual = {}  # Limpia después de devolver
    return salida