cccc

my_tools.py

@@ -21,7 +21,18 @@ from langchain_community.retrievers import TavilySearchAPIRetriever
 from llama_index.core.schema import Document
 
 
-
+def check_required_keys():
+    missing = []
+    if not os.getenv("TAVILY_API_KEY"):
+        missing.append("TAVILY_API_KEY")
+    # Podés agregar más claves si querés chequear otras
+    if missing:
+        print(f"⚠️ WARNING: Missing API keys: {', '.join(missing)}. Agent will not function properly!")
+    else:
+        print("✅ All required API keys are present.")
+
+# Lo llamás apenas arranca:
+check_required_keys()
 # -------------------------------------------------------------------
 # 1) MONKEY-PATCH PARA ChatMessage (por requerimiento de LlamaIndex)
 # -------------------------------------------------------------------
@@ -398,53 +409,6 @@ tool_descriptions = "\n".join([
 # -------------------------------------------------------------------
 # 6) PROMPT DE SISTEMA MEJORADO with few-shot examples
 # -------------------------------------------------------------------
-system_prompt_deprecated = f"""
-Eres Alfred, un agente ReAct eficiente y preciso. Tu objetivo es responder correctamente usando las herramientas disponibles.
-A continuación tienes ejemplos de cómo usar cada herramienta:
-
-### EJEMPLO 1: Clasificación botánica
-Usuario: "I have a grocery list: milk, eggs, broccoli, celery, lettuce. Please give me only the vegetables, alphabetized, comma-separated."
-Agente (pensando): "La pregunta menciona 'grocery list' y 'vegetables' -> usar classify_botanical_foods"
-Agente (acción):
-    {{"tool": "classify_botanical_foods", "input": "milk, eggs, broccoli, celery, lettuce"}}
-Observación: "Verduras: broccoli, celery, lettuce\nFrutas: \nOtros: eggs, milk"
-Agente (respuesta final): "Verduras: broccoli, celery, lettuce"
-
-### EJEMPLO 2: Excel ventas de comida
-Usuario: "Attached is an Excel file with sales data. What were the total sales from food only?"
-Agente (pensando): "Menciona 'Excel' y 'food' -> usar read_excel_data"
-Agente (acción):
-    {{"tool": "read_excel_data", "input": "data/attached.xlsx"}}
-Observación (CSV): "item,type,sales\nBurger,food,1000\nSoda,drink,200\nPizza,food,1500"
-Agente (respuesta final): "Total food sales: $2500.00"
-
-### EJEMPLO 3: Roster de jugadores
-Usuario: "Who are the pitchers with the numbers before and after Taishō Tamai as of July 2023? Use last names only, Roman characters."
-Agente (pensando): "La pregunta menciona 'Taishō Tamai' y 'pitchers' -> usar scrape_wiki_table o web_search"
-Agente (acción):
-    {{"tool": "scrape_wiki_table", "input": ["Hokkaido Nippon-Ham Fighters roster", "Players", 0]}}
-Observación (CSV): "Number,Name,Position\n... ,Tamai Taishō,Pitcher\n45,Uehara,Pitcher\n47,Kakui,Pitcher, ..."
-Agente (procesar): "Tamai tiene número 46. El pitcher 45 es Uehara, el 47 es Kakui."
-Agente (respuesta final): "Uehara, Kakui"
-
-### FLUJO GENERAL:
-1. LEE la pregunta y detecta palabras clave:
-   - "grocery list", "vegetables" -> classify_botanical_foods
-   - "attached Excel", "sales" -> read_excel_data
-   - "roster", "pitchers", "number" -> scrape_wiki_table o web_search
-   - "Malko Competition" -> scrape_wiki_table
-   - "tabla Markdown" -> analyze_markdown_table
-   - "invertir texto" -> reverse_text
-   - "ejecutar código" -> execute_code
-2. PRODUCE el "TOOL CALL" en formato JSON con el nombre exacto de la herramienta.
-3. EJECUTA la herramienta y recibe la salida.
-4. PROCESA la salida (filter, sumar, ordenar) en Python si es necesario.
-5. RESPONDE con el formato exacto que SAIA espera (solo la parte solicitada, sin texto extra).
-
-Herramientas disponibles (USAR EXÁCTAMENTE estos nombres):
-{tool_descriptions}
-"""
-
 system_prompt = f"""
 You are Alfred, a ReAct agent. Your goal is to answer correctly using the available tools.