api/main.py

# En: api/main.py
from fastapi import FastAPI
from pydantic import BaseModel
import time

# --- Modelos de datos (Pydantic) para validar la entrada ---
# Esto es una buena práctica que los jueces notarán
class PredictPayload(BaseModel):
    edad: int
    sexo: str
    asistencia: float
    notas: float

class CoachPayload(BaseModel):
    consulta: str
    riesgo: float

# Inicializa tu app de FastAPI
app = FastAPI(title="API del Tutor Virtual - MOCK")

@app.get("/")
def read_root():
    return {"status": "API de MOCK funcionando"}

# --- Endpoint /predict (FALSO) ---
@app.post("/predict")
async def mock_predict(payload: PredictPayload):
    """
    Simula el endpoint /predict.
    Devuelve un score y drivers falsos basados en las notas.
    """
    # Simula un pequeño delay, como si un modelo estuviera corriendo
    time.sleep(0.5) 

    score_falso = 0.0
    if payload.notas < 4.0:
        score_falso = 0.85
    elif payload.notas < 5.5:
        score_falso = 0.45
    else:
        score_falso = 0.15

    return {
        "score": score_falso,
        "drivers": ["Promedio de Notas", "Asistencia (falso)"]
    }

# --- Endpoint /coach (FALSO) ---
@app.post("/coach")
async def mock_coach(payload: CoachPayload):
    """
    Simula el endpoint /coach (RAG).
    Devuelve un plan de acción falso.
    """
    time.sleep(1) # Simula el delay de un LLM

    respuesta_falsa = f"""
Basado en tu riesgo de **{payload.riesgo*100:.0f}%** y tu consulta ('{payload.consulta}'), este es un plan de acción de prueba:

1.  **Enfocarse en las notas**: Te sugiero revisar las guías de estudio.
2.  **Organización**: Es clave mantener un calendario.

Recuerda que esto es solo una simulación del sistema RAG.
"""

    return {
        "plan": respuesta_falsa,
        "citas": ["kb/guia_estudio_mock.md", "kb/gestion_tiempo_mock.md"]
    }