app/engine/semantic.py

import os
import requests
from dotenv import load_dotenv

load_dotenv()

class VertexSemanticAgent:
    def __init__(self, ticker):
        self.ticker = ticker.upper()
        self.api_key = os.getenv("FMP_API_KEY")
        self.base_url = "https://financialmodelingprep.com/api/v4/sec_filing_segment"

    def get_sec_risk_factors(self):
        """
        Extrae la sección 'Item 1A' (Risk Factors) del reporte más reciente.
        """
        params = {
            "symbol": self.ticker,
            "type": "10-K",
            "segment": "item1a",
            "apikey": self.api_key
        }
        
        try:
            response = requests.get(self.base_url, params=params)
            data = response.json()
            
            if data and isinstance(data, list):
                # Retornamos el texto del primer (más reciente) reporte encontrado
                return data[0].get("content", "No se encontró contenido en el Item 1A.")
            return "No se hallaron filings 10-K para este ticker."
        
        except Exception as e:
            return f"Error conectando con FMP: {str(e)}"

    def judge_risks(self, text):
        """
        Aquí es donde entraría el LLM. Por ahora, hacemos un análisis de 
        fuerza bruta buscando palabras clave de alta peligrosidad.
        """
        red_flags = ["litigation", "breach", "cybersecurity", "bankruptcy", "insolvency", "investigation"]
        found = [word for word in red_flags if word in text.lower()]
        
        score = len(found)
        return {
            "semantic_score": score, # A más alto, más riesgo
            "detected_keywords": found,
            "summary": f"Se detectaron {score} factores de riesgo críticos en el texto."
        }