import openai from fastapi import APIRouter, Depends, HTTPException from fastapi import Request from app.queries.facturacion_queries import obtener_facturacion_por_ano from app.database.session import get_db from sqlalchemy.orm import Session router = APIRouter() # Configura tu clave API de OpenAI openai.api_key = "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" @router.get("/analizar_facturacion_llm") def analizar_facturacion_llm(db=Depends(get_db)): try: # Paso 1: Obtener los datos de facturación desde la base de datos facturacion_data = obtener_facturacion_por_ano(db) # Paso 2: Preparar el JSON para enviarlo al LLM prompt = f""" Dado el siguiente conjunto de datos de facturación: {facturacion_data} Por favor, responde las siguientes preguntas: 1. ¿Cuál fue el mes con mayor facturación y cuánto se facturó? 2. ¿Cuál es el promedio de facturación mensual? 3. Genera un informe comparativo de los meses. """ # Paso 3: Enviar el JSON al LLM y obtener la respuesta response = openai.ChatCompletion.create( model="gpt-4", # Puedes usar "gpt-3.5-turbo" o "gpt-4" messages=[ {"role": "system", "content": "Eres un asistente que analiza datos de facturación."}, {"role": "user", "content": prompt} ], max_tokens=300, temperature=0.7 ) respuesta = response.choices[0].message['content'] # Paso 4: Devolver la respuesta del LLM al usuario return {"respuesta": respuesta} except Exception as e: raise HTTPException(status_code=500, detail=f"Error al procesar los datos con LLM: {e}") @router.post("/enviar_prompt") async def enviar_prompt(request: Request): try: # Leer el cuerpo de la solicitud como JSON data = await request.json() prompt = data.get("prompt") # Verificar si el prompt fue enviado if not prompt: raise HTTPException(status_code=400, detail="El campo 'prompt' es obligatorio") # Enviar el prompt al modelo LLM response = openai.ChatCompletion.create( model="gpt-4", # Puedes usar "gpt-3.5-turbo" o "gpt-4" messages=[ {"role": "system", "content": "Eres un asistente avanzado que responde preguntas y analiza datos."}, {"role": "user", "content": prompt} ], max_tokens=300, temperature=0.7 ) respuesta = response.choices[0].message['content'] # Devolver la respuesta del LLM return {"respuesta": respuesta} except Exception as e: raise HTTPException(status_code=500, detail=f"Error al procesar el prompt: {e}") @router.post("/analizar_facturacion_kpi2") async def analizar_facturacion_kpi(request: Request, db=Depends(get_db)): try: # Leer el cuerpo de la solicitud como JSON data = await request.json() user_input = data.get("input") if not user_input: raise HTTPException(status_code=400, detail="El campo 'input' es obligatorio") # Obtener los datos de facturación desde la base de datos facturacion_data = obtener_facturacion_por_ano(db) # Convertir el JSON de facturación en un formato legible datos_facturacion = "\n".join( [f"Mes: {mes}, Facturación: {total}" for registro in facturacion_data for mes, total in registro.items()] ) # Crear el prompt combinando la entrada del usuario con los datos de facturación prompt = f""" Basado en los siguientes datos de facturación: {datos_facturacion} {user_input} Proporciona una respuesta detallada considerando los datos de facturación proporcionados. """ # Enviar el prompt al modelo de OpenAI response = openai.ChatCompletion.create( model="gpt-4", messages=[ {"role": "system", "content": "Eres un asistente experto en análisis de datos financieros."}, {"role": "user", "content": prompt} ], max_tokens=500, temperature=0.7 ) respuesta = response.choices[0].message['content'] return {"respuesta": respuesta} except Exception as e: raise HTTPException(status_code=500, detail=f"Error al procesar los datos con LLM: {e}") @router.post("/analizar_kpi") async def analizar_kpi(request: Request, db: Session = Depends(get_db)): try: # Leer datos de la solicitud data = await request.json() user_input = data.get("input") # Entrada del usuario historial = data.get("historial", []) # Historial de mensajes if not user_input: raise HTTPException(status_code=400, detail="El campo 'input' es obligatorio") # Mostrar menú inicial si el historial está vacío if len(historial) == 0: respuesta = """ Bienvenido al asistente de análisis. Por favor, selecciona una opción: 1. Facturación. 2. Cirugía. 3. Consulta Externa. Escribe el número de la opción que deseas elegir. """ return {"respuesta": respuesta, "es_menu": True} # Manejar opción 1 (Facturación) if user_input == "1": # Obtener datos de facturación desde la base de datos facturacion_data = obtener_facturacion_por_ano(db) if not facturacion_data: return {"respuesta": "No se encontraron datos de facturación.", "es_menu": False} # Formatear los datos de facturación con las columnas `sum` y `fecha` datos_facturacion = "\n".join( [f"Fecha: {registro['fecha']}, Total Facturado: {registro['sum']}" for registro in facturacion_data] ) # Incluir los datos de facturación en el historial como mensaje del sistema historial.append({ "role": "system", "content": f"Los siguientes son los datos de facturación:\n{datos_facturacion}" }) # Respuesta inicial para el usuario respuesta = f""" Los datos de facturación han sido cargados. A continuación se muestran los totales: {datos_facturacion} Ahora puedes hacer preguntas específicas sobre estos datos. ¿Cómo puedo ayudarte? """ return {"respuesta": respuesta, "historial": historial, "es_menu": False} # Si ya se cargaron los datos o el usuario hace una pregunta if any(h["content"].startswith("Los siguientes son los datos de facturación") for h in historial if h["role"] == "system"): # Generar mensaje para GPT basado en el historial mensajes = [ {"role": "system", "content": "Eres un asistente experto en análisis de datos financieros."} ] mensajes.extend(historial) # Agregar historial completo mensajes.append({"role": "user", "content": user_input}) # Añadir la consulta del usuario # Llamar al modelo GPT para obtener la respuesta response = openai.ChatCompletion.create( model="gpt-4", messages=mensajes, max_tokens=500, temperature=0.7 ) respuesta_gpt = response.choices[0].message['content'] # Añadir la respuesta al historial historial.append({"role": "assistant", "content": respuesta_gpt}) # Responder al usuario con la respuesta generada return {"respuesta": respuesta_gpt, "historial": historial, "es_menu": False} # Manejar opciones no válidas respuesta = """ Opción no válida. Por favor, selecciona una opción del menú: 1. Facturación. 2. Cirugía. 3. Consulta Externa. """ return {"respuesta": respuesta, "es_menu": True} except Exception as e: raise HTTPException(status_code=500, detail=f"Error al procesar la solicitud: {e}")