from django.shortcuts import render from django.http import JsonResponse from django.views.decorators.csrf import csrf_exempt import json import os from datetime import datetime, timedelta # Gemini Imports from .gemini_client import GeminiClient from .rag_service import RAGService # OpenAI Imports (Legacy) try: from langchain_community.llms import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate except ImportError: print("WARNING: OpenAI dependencies could not be imported. OpenAI Agent will be unavailable.") OpenAI = None LLMChain = None PromptTemplate = None except Exception as e: print(f"WARNING: Error importing OpenAI dependencies: {e}") OpenAI = None LLMChain = None PromptTemplate = None # Importamos los modelos reales de empresa y contacto try: from Models.Empresa import Empresa print("Usando modelo Empresa desde Models.Empresa") except ImportError: try: from api_empresa.models import Empresa print("Usando modelo Empresa desde api_empresa.models") except ImportError: print("No se pudo importar ningún modelo de Empresa, usando simulación") class Empresa: objects = None # Import OportunidadDeVenta with fallbacks try: from Models.oportunidad_de_venta_model import OportunidadDeVenta print("Usando modelo OportunidadDeVenta desde Models") except ImportError: try: from api_oportunidad_de_venta.models import OportunidadDeVenta print("Usando modelo OportunidadDeVenta desde api") except ImportError: print("No se pudo importar OportunidadDeVenta, simulación") class OportunidadDeVenta: objects = None # Common helper functions (could be moved to a mixin or utils) def get_new_companies_this_month(): current_month = datetime.now().month current_year = datetime.now().year try: new_companies = Empresa.objects.filter( fecha_creacion__month=current_month, fecha_creacion__year=current_year, deleted_at__isnull=True ) return [{ "nombre": c.nombre, "fecha_creacion": c.fecha_creacion.strftime("%Y-%m-%d"), "cuit": getattr(c, 'cuit', "No disponible"), "provincia": getattr(c.provincia, 'nombre', "No disponible") if hasattr(c, 'provincia') else "No disponible", "localidad": getattr(c.localidad, 'nombre', "No disponible") if hasattr(c, 'localidad') else "No disponible", "direccion": getattr(c, 'direccion', "No disponible") } for c in new_companies] except Exception as e: print(f"Error al obtener empresas: {str(e)}") return [] def get_recent_activities(): try: try: from api_actividad.models import Actividad except ImportError: try: from Models.api_actividad_model import Actividad except ImportError: print("No se pudo importar el modelo de Actividad") return [] fecha_limite = datetime.now() - timedelta(days=7) actividades = Actividad.objects.filter( fecha__gte=fecha_limite, deleted_at__isnull=True ).order_by('-fecha')[:10] return [{ "tipo": getattr(a, 'tipo', "General"), "empresa": a.empresa.nombre if hasattr(a, 'empresa') and a.empresa else "No especificada", "fecha": a.fecha.strftime("%Y-%m-%d") if hasattr(a, 'fecha') else "Fecha no disponible", "notas": getattr(a, 'descripcion', "Sin notas") } for a in actividades] except Exception as e: print(f"Error al obtener actividades: {str(e)}") return [] def get_system_stats(): """Retrieves real-time statistics from the database""" try: total_clientes = Empresa.objects.filter(deleted_at__isnull=True, tipo_empresa=2).count() total_datos = Empresa.objects.filter(deleted_at__isnull=True, tipo_empresa=1).count() # Oportunidades try: total_oportunidades = OportunidadDeVenta.objects.filter(deleted_at__isnull=True).count() except: total_oportunidades = 0 return { "total_clientes": total_clientes, "total_datos_potenciales": total_datos, "total_oportunidades": total_oportunidades, "resumen": f"El sistema cuenta con {total_clientes} clientes activos, {total_datos} datos potenciales y {total_oportunidades} oportunidades de venta registradas." } except Exception as e: print(f"Error stats: {e}") return {} class GeminiAgent: def __init__(self): try: self.client = GeminiClient() self.rag = RAGService() print("Inicializando GeminiAgent con RAG") except Exception as e: raise Exception(f"Error inicializando Gemini: {e}") def process_query(self, query, context_data=None): if not context_data: context_data = {} new_companies = get_new_companies_this_month() if new_companies: context_data["empresas_nuevas_mes"] = new_companies activities = get_recent_activities() if activities: context_data["actividades_recientes"] = activities # [NEW] Add Real-time Stats stats = get_system_stats() if stats: context_data["estadisticas_sistema"] = stats rag_results = [] try: # RAG Search rag_results = self.rag.search(query) # [ANSWER BANK] Check for exact/high-confidence matches in metadata for stored answers # This is a simple implementation: if a document has metadata type='answer_bank' and high score, we use it directly. for result in rag_results: meta = result.get('metadata') # Assuming score is 0-1 distance (lower is better) or similarity (1 is best). # Implementation returns cosine distance (0=same), so looking for close to 0 if meta and meta.get('type') == 'answer_bank' and result.get('score', 1) > 0.85: # 0.85 similarity threshold print(f"Using Cached Answer: {result['content']}") return result['content'] context_data["knowledge_base"] = rag_results except Exception as e: print(f"RAG Error: {e}") context_data["knowledge_base"] = [] formatted_context = json.dumps(context_data, ensure_ascii=False, indent=2) prompt = f""" Eres un asistente experto para el CRM Dreinet. INSTRUCCIONES CRÍTICAS: 1. Tu objetivo es responder preguntas sobre el ESTADO ACTUAL del negocio usando los datos proporcionados. 2. Si te preguntan "cuántos", "reporte", o "estado", TIENES QUE USAR los datos de 'estadisticas_sistema' o 'empresas_nuevas_mes'. 3. NO describas capacidades. RESPONDE CON NÚMEROS. 4. Si el usuario pregunta algo que ya está en 'knowledge_base' (como un reporte anterior guardado), úsalo. 5. IMPORTANTE: SIEMPRE menciona los números exactos de clientes, datos y oportunidades si te piden un resumen. DATOS EN TIEMPO REAL: {formatted_context} PREGUNTA DEL USUARIO: {query} Respuesta: """ return self.client.generate_content(prompt).strip() class OpenAIAgent: def __init__(self): if OpenAI is None: raise Exception("OpenAI libraries are not available due to dependency issues.") self.use_simulation = False try: os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY") self.llm = OpenAI(temperature=0.7) print("Inicializando OpenAIAgent") except Exception as e: raise Exception(f"Error inicializando OpenAI: {e}") def process_query(self, query, context_data=None): if not context_data: context_data = {} new_companies = get_new_companies_this_month() if new_companies: context_data["empresas_nuevas_mes"] = new_companies activities = get_recent_activities() if activities: context_data["actividades_recientes"] = activities template = """ Eres un asistente para un sistema CRM llamado Dreinet CRM. Información disponible (formato JSON): {context} Pregunta del usuario: {query} Responde de manera profesional. """ prompt = PromptTemplate(input_variables=["context", "query"], template=template) chain = LLMChain(llm=self.llm, prompt=prompt) formatted_context = json.dumps(context_data, ensure_ascii=False, indent=2) return chain.run(context=formatted_context, query=query).strip() @csrf_exempt def agent_query(request): if request.method == 'POST': try: data = json.loads(request.body) query = data.get('query', '') if not query: return JsonResponse({"error": "Consulta vacía"}, status=400) # Switch logic: Default to Gemini, fall back to OpenAI if requested or env var set provider = os.getenv('AI_PROVIDER', 'gemini').lower() if provider == 'openai': agent = OpenAIAgent() else: agent = GeminiAgent() response = agent.process_query(query) return JsonResponse({"response": response}) except Exception as e: return JsonResponse({"error": f"Error: {str(e)}"}, status=500) return JsonResponse({"error": "Method not allowed"}, status=405) def chat_view(request): return render(request, 'ai_agent/chat.html')