Update app.py

app.py

@@ -147,60 +147,77 @@ def chat(user_input, chat_history, current_step, user_context):
         siguiente_pregunta = preguntar_al_usuario(preguntas[current_step][1])
         chat_history.append(("assistant", siguiente_pregunta))
     else:
-        resultado = predict_disponibilidad(user_context)
-        if "error" in resultado:
-            chat_history.append(("assistant", resultado["error"] + " Reiniciando conversación..."))
-            user_context = {
-                "ubicacion": None,
-                "month": None,
-                "day": None,
-                "hour": None,
-                "target_pct": None,
-                "temperature": None,
-                "lluvia": None
-            }
-            current_step = 0
-            chat_history.append(("assistant", preguntar_al_usuario(preguntas[0][1])))
-            return chat_history, current_step, user_context
         else:
-            clima = resultado["candidatas"][0]
-
-            # Resumen del contexto
-            resumen_contexto = (
-                f"🗓️ Día: {user_context['day']:02d}/{user_context['month']:02d}/2025\n"
-                f"🕒 Hora: {user_context['hour']:02d}:00h\n"
-                f"📍 Ubicación: {user_context['ubicacion']}\n"
-                f"🎯 Porcentaje mínimo deseado de bicis: {int(user_context['target_pct'] * 100)}%"
-            )
+    resultado = predict_disponibilidad(user_context)
+    if "error" in resultado:
+        chat_history.append(("assistant", resultado["error"] + " Reiniciando conversación..."))
+        user_context = {
+            "ubicacion": None,
+            "month": None,
+            "day": None,
+            "hour": None,
+            "target_pct": None,
+            "temperature": None,
+            "lluvia": None
+        }
+        current_step = 0
+        chat_history.append(("assistant", preguntar_al_usuario(preguntas[0][1])))
+        return chat_history, current_step, user_context
+    else:
+        clima = resultado["candidatas"][0]
+
+        # 🧾 Resumen del contexto
+        fecha_str = f"{user_context['day']:02d}/{user_context['month']:02d}/2025"
+        hora_str = f"{user_context['hour']:02d}:00h"
+        resumen_contexto = (
+            f"📍 *Ubicación*: {user_context['ubicacion']}\n"
+            f"🗓️ *Día*: {fecha_str}\n"
+            f"🕒 *Hora*: {hora_str}\n"
+            f"🎯 *Porcentaje mínimo deseado de bicis*: {int(user_context['target_pct'] * 100)}%"
+        )
 
-            # Mensaje principal
-            msg = (
-                f"📈 Predicción meteorológica:\n"
-                f"🌡️ Temperatura aprox.: {clima['temperature']}°C\n"
-                f"☔ Precipitación aprox.: {clima['precip']} mm\n\n"
-                f"{resumen_contexto}\n\n"
-                f"🚲 Estaciones ordenadas por disponibilidad:\n"
+        # 📈 Predicción meteorológica
+        resumen_meteo = (
+            f"🌡️ *Temperatura esperada*: {clima['temperature']}°C\n"
+            f"☔ *Precipitación esperada*: {clima['precip']} mm"
+        )
+
+        # 🚲 Disponibilidad de estaciones
+        msg_estaciones = "🚲 *Estaciones más cercanas ordenadas por disponibilidad:*\n"
+        for r in resultado["candidatas"]:
+            emoji = "✅" if r["pred_pct"] >= resultado["target_pct"] else "⚠️"
+            msg_estaciones += (
+                f"{emoji} '{r['address']}' (ID {r['station_id']}): "
+                f"{round(r['pred_pct']*100)}% disponibilidad\n"
             )
-            for r in resultado["candidatas"]:
-                emoji = "✅" if r["pred_pct"] >= resultado["target_pct"] else "⚠️"
-                msg += (
-                    f"{emoji} '{r['address']}' (ID {r['station_id']}): "
-                    f"{round(r['pred_pct']*100)}% disponibilidad\n"
-                )
-            chat_history.append(("assistant", msg.strip()))
-
-            # Generar resumen final con el LLM
-            resumen_llm = client.chat.completions.create(
-                messages=[
-                    {"role": "system", "content": "Eres un asistente experto en movilidad urbana. Resume de forma clara y amigable si el usuario podrá encontrar bicis disponibles, y en qué estaciones, según los datos que se te dan."},
-                    {"role": "user", "content": f"Aquí tienes el resultado del sistema:\n{msg.strip()}"}
-                ],
-                model="llama-3.3-70b-versatile",
-                temperature=0.5,
-                max_completion_tokens=256
-            ).choices[0].message.content.strip()
-
-            chat_history.append(("assistant", resumen_llm))
+
+        # Construir mensaje completo
+        mensaje_final = f"{resumen_contexto}\n\n{resumen_meteo}\n\n{msg_estaciones}"
+        chat_history.append(("assistant", mensaje_final.strip()))
+
+        # 🧠 Resumen generado por LLM
+        # 🧠 Resumen generado por LLM
+        resumen_llm = client.chat.completions.create(
+            messages=[
+                {
+                    "role": "system",
+                    "content": (
+                        "Eres un asistente experto en movilidad urbana. Resume al usuario de forma clara y amigable "
+                        "si podrá encontrar bicis disponibles, indicando las mejores estaciones según los datos meteorológicos "
+                        "y el porcentaje mínimo requerido."
+                    )
+                },
+                {"role": "user", "content": mensaje_final.strip()}
+            ],
+            model="llama-3.3-70b-versatile",
+            temperature=0.5,
+            max_completion_tokens=256
+        ).choices[0].message.content.strip()
+        
+        # Añadir texto fijo al final del resumen
+        resumen_llm += "\n\nSi quieres hacer otra consulta, dime una nueva ubicación o escribe 'reiniciar'."
+        
+        chat_history.append(("assistant", resumen_llm))
 
 
     return chat_history, current_step, user_context