scripts/lector_lllm.py

import json
import boto3
import os
from dotenv import load_dotenv

def generar_prompt_tutor(payload_alumno):
    """
    Construye el System Prompt y el User Prompt inyectando los datos del alumno.
    """
    system_prompt = """Eres un Asistente de Orientación Académica experto en retención escolar.
Tu objetivo es analizar los datos predictivos de estudiantes en riesgo de abandono escolar (Churn) y redactar un informe ejecutivo para el Tutor del alumno.

REGLAS ESTRICTAS:
1. No te dirijas al alumno, dirígete al Tutor Escolar.
2. Sé objetivo, profesional y empático.
3. Basa tus recomendaciones ÚNICAMENTE en los datos matemáticos y demográficos proporcionados. No inventes causas.
4. Tu respuesta debe tener tres partes:
   - Análisis de Situación: Resumen rápido de por qué ha saltado la alerta.
   - Contexto del Alumno: Cómo su perfil demográfico o historial puede estar afectando.
   - Plan de Acción Propuesto: 2 o 3 acciones concretas que el tutor debería tomar hoy.
   - Borrador de Email: Un texto sugerido y empático que el tutor pueda copiar, pegar y enviar al alumno."""

    user_prompt = f"""Por favor, genera el informe de alerta temprana para el siguiente estudiante:
    
DATOS DEL SISTEMA PREDICTIVO:
{json.dumps(payload_alumno, indent=2, ensure_ascii=False)}
"""
    return system_prompt, user_prompt

def invocar_agente_aws(payload_alumno):
    load_dotenv()
    system, user = generar_prompt_tutor(payload_alumno)
    
    try:
        client = boto3.client('bedrock-runtime', region_name='eu-south-2')
        
        # Usamos CONVERSE API (más moderna y tolerante)
        response = client.converse(
            modelId= 'eu.anthropic.claude-haiku-4-5-20251001-v1:0',
            messages=[{"role": "user", "content": [{"text": user}]}],
            system=[{"text": system}],
            inferenceConfig={"temperature": 0.3, "maxTokens": 2000}
        )
    
        
        texto_generado = response['output']['message']['content'][0]['text']
        print("\n📥 INFORME RECIBIDO:\n" + "-"*40 + "\n" + texto_generado)
        return texto_generado

    except Exception as e:
        print(f"\n❌ Error al conectar con AWS Bedrock: {e}")
        return None

if __name__ == "__main__":
    from explicabilidad_shap import obtener_explicacion_alumno
    
    print("1. Analizando alumno con Motor SHAP...")
    payload = obtener_explicacion_alumno(
        id_alumno=30268, 
        ruta_modelo='datos_procesados/modelo_rf_optimizado.pkl',
        ruta_datos_ml='datos_procesados/dataset_preparado_ml.csv',
        ruta_datos_maestro='datos_procesados/dataset_maestro_churn.csv'
    )
    
    if "error" in payload:
        print(payload["error"])
    elif not payload.get("alerta", False):
        print(payload["mensaje"])
    else:
        print("2. Motor completado. Pasando contexto a IA Generativa...")
        invocar_agente_aws(payload)