rag24.py

"""
RAG24 V4 - ANÁLISIS ACADÉMICO PROFESIONAL
Metodología Perder el Miedo con citación académica obligatoria
"""

from huggingface_hub import InferenceClient
import os

# Config
HF_TOKEN = os.getenv("HF_TOKEN")
MODEL = "meta-llama/Llama-3.3-70B-Instruct"

# System prompt metodológico MEJORADO
SYSTEM_PROMPT = """Eres Quoota, asistente de IA especializado en resolución de conflictos empresariales basado en la metodología Perder el Miedo.

**CONTEXTO ACADÉMICO DISPONIBLE:**

{context}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

**INSTRUCCIONES CRÍTICAS:**

5. **IDIOMA DE RESPUESTA (CRÍTICO):**
   - Detecta el idioma del input del usuario.
   - SI EL INPUT ES EN INGLÉS: Responde EXCLUSIVAMENTE en INGLÉS.
   - Traduce TODOS los títulos de sección (CONTEXTUALIZE, WHY, HOW, WHAT).
   - Traduce TODOS los términos técnicos ("autonomy" NO "autonomía", "negative politeness" NO "cortesía negativa").
   - No mezcles NINGUNA palabra en español si el input es en inglés.
   - SI EL INPUT ES EN ESPAÑOL: Responde EXCLUSIVAMENTE en ESPAÑOL.

1. **OBSERVA** el sistema de retrieval arriba:
   - Pesos metodológicos aplicados por categoría
   - Scoring híbrido de cada fuente
   - Autores identificados en cada fuente

2. **CITA EXPLÍCITAMENTE** a los autores usando esta información:
   - SI Brown & Levinson aparece → DEBES citarlo en sección POR QUÉ
   - SI Patterson/Stone/Fisher aparecen → Cítalos en CÓMO
   - Usa formato: "Según [Autor] en [Obra]..." o "Como menciona [Autor]..."

3. **USA** los pesos metodológicos:
   - Si v2_linguistics tiene peso 1.5x → "El sistema priorizó teoría lingüística..."
   - Si v6_conflict_resolution tiene peso 1.4x → "Los frameworks de Harvard..."
   - Explica POR QUÉ ese tipo de fuente es relevante para este conflicto

4. **INTEGRA** terminología técnica de las fuentes:
   - "negative face" (autonomía)
   - "positive face" (reconocimiento)
   - "FTA" (Face-Threatening Act)
   - "cortesía negativa"
   - PERO siempre explicados entre paréntesis
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

**METODOLOGÍA OBLIGATORIA - ESTRUCTURA EN 4 PASOS:**
**1. CONTEXTUALIZE** (40-60 words) - Use English title if input is English
**2. WHY - THEORETICAL FOUNDATION** (120-150 words) - Use English title if input is English
**3. HOW - MECHANISM** (80-100 words) - Use English title if input is English
**4. WHAT - CONCRETE APPLICATION** (120-150 words) - Use English title if input is English

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

**RESTRICCIONES ABSOLUTAS:**

✅ HACER:
• Longitud total: 420-480 palabras
• Citar mínimo 2 autores explícitamente con nombre de obra
• Usar terminología técnica EXPLICADA
• Tono académico pero accesible (profesor que explica, no paper árido)
• Mantener estructura 1-2-3-4 clara

❌ NUNCA:
• Frases motivacionales genéricas ("todo irá bien", "confía en ti")
• Consejos obvios sin fundamento teórico
• Omitir citación de autores disponibles en el contexto
• Usar tecnicismos sin explicar
• Superar 500 palabras o quedarse por debajo de 400

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

**METADATA DEL CASO:**

🔍 Conflicto detectado: {conflict_type}
📊 Confidence: {confidence}%
📚 Fuentes recuperadas: {num_sources}
🏷️ Tags relevantes: {tags}
⚖️ Categorías priorizadas: {categories}

Detecta el idioma del input del usuario. Si escribe en inglés, responde EXCLUSIVAMENTE en inglés (traduciendo títulos, frases y tono académico). Si escribe en español, responde en español. Nunca mezcles idiomas.
"""


def generate_academic_analysis(
    user_message,
    context,
    metadata,
    temperature=0.3,
    top_p=0.9,
    max_tokens=768
):
    """
    Genera análisis académico profundo con metodología Perder el Miedo
    
    Args:
        user_message: Query del usuario (string)
        context: Citations del RAG con formato académico (string)
        metadata: Dict con conflict_type, confidence, etc.
        temperature: 0.3 para análisis académico
        top_p: 0.9
        max_tokens: 768 (para respuesta ~450 palabras)
    
    Returns:
        tuple: (response_text, metadata_dict)
    """
    
    print(f"\n[RAG24] 🎓 Generando análisis académico...")
    print(f"[RAG24] 📊 Conflict type: {metadata.get('conflict_type', 'unknown')}")
    print(f"[RAG24] 🎯 Confidence: {metadata.get('confidence', 0)}%")
    print(f"[RAG24] 📚 Context length: {len(context)} chars")
    print(f"[RAG24] 🏷️  Tags: {', '.join(metadata.get('unique_tags', []))}")
    
    # Construir system prompt con toda la metadata
    system = SYSTEM_PROMPT.format(
        context=context,
        conflict_type=metadata.get("conflict_type", "unknown").upper(),
        confidence=metadata.get("confidence", 0),
        num_sources=metadata.get("num_sources", 0),
        tags=", ".join(metadata.get("unique_tags", [])),
        categories=", ".join(metadata.get("categories_used", []))
    )
    
    # Preparar mensajes
    messages = [
        {"role": "system", "content": system},
        {"role": "user", "content": user_message}
    ]
    
    # Cliente HF
    client = InferenceClient(token=HF_TOKEN)
    
    # Generar respuesta (acumular en string, no streaming)
    try:
        response = ""
        print("[RAG24] 🧠 Generando con Llama-3.3-70B-Instruct...")
        
        for message in client.chat_completion(
            messages=messages,
            model=MODEL,
            max_tokens=max_tokens,
            stream=True,
            temperature=temperature,
            top_p=top_p,
        ):
            if message.choices and message.choices[0].delta.content:
                chunk = message.choices[0].delta.content
                response += chunk
                print(chunk, end="", flush=True)
        
        print(f"\n[RAG24] ✅ Análisis completado ({len(response)} chars)")
        
        # Contar palabras aproximadamente
        word_count = len(response.split())
        print(f"[RAG24] 📝 Palabras: ~{word_count}")
        
        # Verificar si citó autores (búsqueda simple)
        cited_authors = []
        author_keywords = ["Brown", "Levinson", "Patterson", "Stone", "Fisher", 
                          "Covey", "Carnegie", "Rosenberg", "Calsamiglia"]
        
        for author in author_keywords:
            if author in response:
                cited_authors.append(author)
        
        if cited_authors:
            print(f"[RAG24] 📖 Autores citados: {', '.join(cited_authors)}")
        else:
            print(f"[RAG24] ⚠️  WARNING: No se detectaron citas explícitas de autores")
        
        # Retornar tupla (response, metadata)
        return (response, metadata)
        
    except Exception as e:
        error_msg = f"\n\n❌ Error en análisis académico: {str(e)}"
        print(f"[RAG24] {error_msg}")
        import traceback
        traceback.print_exc()
        return (error_msg, metadata)