Upload folder using huggingface_hub

rag_books_mcp/app.py

@@ -34,21 +34,18 @@ def _build_search_tab() -> gr.Interface:
                 placeholder="Consulta en lenguaje natural",
             ),
             gr.Radio(
-                choices=["all", "both", "esl", "islp", "fes", "pdsh"],
+                choices=["all", "both", "esl", "islp", "fes", "pdsh", "r4ds"],
                 value="all",
                 label="book",
-                info=(
-                    "R4DS no se ofrece en este Space por su licencia CC BY-NC-ND. "
-                    "Disponible solo en la variante local con RAG_CHROMA_DIR."
-                ),
+                info="R4DS está en R/tidyverse; los principios se traducen a pandas/seaborn.",
             ),
             gr.Slider(minimum=1, maximum=10, step=1, value=5, label="top_k"),
         ],
         outputs=gr.Markdown(label="Resultados"),
         title="🔎 search_theory",
         description=(
-            "Búsqueda semántica en ESL, ISLP, FES y PDSH. Devuelve los fragmentos "
-            "más relevantes ordenados por similitud."
+            "Búsqueda semántica en ESL, ISLP, FES, PDSH y R4DS. Devuelve los "
+            "fragmentos más relevantes ordenados por similitud."
         ),
         api_name="search_theory",
     )
@@ -58,7 +55,7 @@ def _build_get_section_tab() -> gr.Interface:
     return gr.Interface(
         fn=get_section,
         inputs=[
-            gr.Radio(choices=["esl", "islp", "fes", "pdsh"], value="islp", label="book"),
+            gr.Radio(choices=["esl", "islp", "fes", "pdsh", "r4ds"], value="islp", label="book"),
             gr.Textbox(
                 label="chapter",
                 value="8 Tree-Based Methods",
@@ -74,8 +71,8 @@ def _build_get_section_tab() -> gr.Interface:
         outputs=gr.Markdown(label="Sección"),
         title="📑 get_section",
         description=(
-            "Recupera una sección específica de ESL, ISLP, FES o PDSH. Si no se "
-            "encuentra por metadata, hace fallback a búsqueda semántica."
+            "Recupera una sección específica de ESL, ISLP, FES, PDSH o R4DS. Si "
+            "no se encuentra por metadata, hace fallback a búsqueda semántica."
         ),
         api_name="get_section",
     )
@@ -88,7 +85,7 @@ def _build_cite_tab() -> gr.Interface:
             gr.Textbox(
                 label="topic",
                 value="ridge regression",
-                placeholder="Tema a fundamentar (ej: 'bagging', 'feature selection')",
+                placeholder="Tema a fundamentar (ej: 'bagging', 'feature selection', 'EDA')",
             ),
             gr.Radio(
                 choices=["brief", "medium", "deep"],
@@ -99,9 +96,9 @@ def _build_cite_tab() -> gr.Interface:
         outputs=gr.Markdown(label="Fundamentación"),
         title="📚 cite_foundation",
         description=(
-            "Fundamentación teórica que cita los libros publicados: "
-            "ISLP (intuitivo), ESL (riguroso), FES (feature engineering) y "
-            "PDSH (código Python)."
+            "Fundamentación teórica que cita los 5 libros: ISLP (intuitivo), "
+            "ESL (riguroso), FES (feature engineering), PDSH (código Python) y "
+            "R4DS (workflow iterativo de EDA y data wrangling)."
         ),
         api_name="cite_foundation",
     )
@@ -120,35 +117,32 @@ def _build_list_topics_tab() -> gr.Interface:
 
 def build_demo() -> gr.Blocks:
     """Construye la UI tabulada del MCP Server v2."""
-    with gr.Blocks(title="rag-books-mcp v2 · ESL + ISLP + FES + PDSH") as demo:
+    with gr.Blocks(title="rag-books-mcp v2 · ESL + ISLP + FES + PDSH + R4DS") as demo:
         gr.Markdown(
             """
-            # 📖 RAG Books MCP v2 — ESL + ISLP + FES + PDSH
+            # 📖 RAG Books MCP v2 — ESL + ISLP + FES + PDSH + R4DS
 
-            Servidor MCP que expone búsqueda semántica sobre cuatro libros de
-            referencia de Statistical Learning y Data Science:
+            Servidor MCP que expone búsqueda semántica sobre cinco libros de
+            referencia de Statistical Learning, Data Science y Data Wrangling:
 
             - **ESL** — *The Elements of Statistical Learning* (Hastie, Tibshirani, Friedman)
             - **ISLP** — *An Introduction to Statistical Learning with Python* (James, Witten, Hastie, Tibshirani)
             - **FES** — *Feature Engineering and Selection* (Kuhn, Johnson)
             - **PDSH** — *Python Data Science Handbook* (VanderPlas)
+            - **R4DS** — *R for Data Science, 2nd Ed.* (Wickham, Çetinkaya-Rundel, Grolemund) — _ejemplos en R/tidyverse, principios universales para EDA y data wrangling_
 
-            > ℹ️ **Sobre R4DS** — *R for Data Science, 2nd Ed.* (Wickham et al.)
-            > está indexado en la **variante local** del server pero **NO**
-            > en este Space. La razón es su licencia CC BY-NC-ND 3.0 US
-            > (NoDerivatives), incompatible con redistribución pública en
-            > formato vectorial. Para usarlo, corre el server localmente con
-            > `RAG_CHROMA_DIR` apuntando a tu propio `chroma_db/` con R4DS
-            > indexado. Detalles en el [DATA_CARD del dataset](https://huggingface.co/datasets/gusdelact/rag-esl-islp-chromadb).
+            > ℹ️ R4DS está bajo licencia CC BY-NC-ND 3.0 US y está incluido en
+            > este dataset bajo uso académico. Detalles, atribución y mecanismo
+            > de takedown en el [DATA_CARD del dataset](https://huggingface.co/datasets/gusdelact/rag-esl-islp-chromadb).
 
             **v2 vs v1:** la base ChromaDB se carga desde el dataset HF
-            `gusdelact/rag-esl-islp-chromadb` en lugar de empaquetarla con el
-            código. Permite versionar el índice independientemente y reusarlo
-            desde otros clientes.
+            `gusdelact/rag-esl-islp-chromadb` (tag `v2.2.0`) en lugar de
+            empaquetarla con el código. Permite versionar el índice
+            independientemente y reusarlo desde otros clientes.
 
             **Endpoint MCP:** `/gradio_api/mcp/` (streamable HTTP).
             **Embeddings:** `sentence-transformers/all-MiniLM-L6-v2` (local, sin API key).
-            **Vector store:** ChromaDB con 3005 chunks (1093 ESL + 884 ISLP + 465 FES + 563 PDSH).
+            **Vector store:** ChromaDB con 3689 chunks (1093 ESL + 884 ISLP + 465 FES + 563 PDSH + 684 R4DS).
 
             La primera tool call descarga el dataset (~95 MB). Las siguientes
             son cache hit.

rag_books_mcp/ingest.py

@@ -52,11 +52,10 @@ BOOKS_CONFIG = {
             "principles transfer to pandas/Python"
         ),
         # ⚠️ R4DS está bajo licencia CC BY-NC-ND 3.0 US (NoDerivatives).
-        # `local_only=True` indica que esta colección NO debe redistribuirse
-        # como dataset HF público. `publish_chroma_dataset.py` la elimina del
-        # snapshot antes de subir al Hub. Para uso local (RAG_CHROMA_DIR) el
-        # comportamiento es transparente.
-        "local_only": True,
+        # Originalmente local_only=True para no redistribuir; se cambió a False
+        # para uso académico explícito. La decisión y el mecanismo de takedown
+        # están documentados en DATA_CARD.md.
+        "local_only": False,
     },
 }