paso

Prompt file imported from C4rlos316/LOS-BINARIOS (.windsurf/workflows/paso.md). Copyright stays with the author.

Step 1: Agente de Consola "Run 1"

Asistente: Actúa como mi Programador Experto en Python. Vamos a construir el "Step 1" de nuestro proyecto del hackathon.

Objetivo: Crear la lógica base para nuestro "Agente Principal". Esto debe funcionar 100% en la consola. El agente debe ser capaz de leer de una base de datos SQLite (reglas y memoria), aunque esta base de datos esté vacía (este es el "Run 1").

Stack Tecnológico (Estricto):

• openai==1.54.0
• langchain==0.3.7
• langchain-openai==0.2.5
• python-dotenv
• sqlite3 (nativo de Python)
• os

Instrucciones del "Step 1":

Crea los siguientes dos archivos Python en la raíz del proyecto.

Trabaja solo en el entorno virtual ya creado y funcionando

1. Archivo: database_setup.py (El Prerrequisito)

Objetivo: Crear el archivo kavak_memory.db y las tablas necesarias. El agente principal fallará si este archivo no se ejecuta primero.

Instrucciones:

• Importa sqlite3.
• Crea una función setup_database().
• Dentro de la función, conéctate a kavak_memory.db (esto creará el archivo).
• Usa cursor.execute() para crear dos tablas usando CREATE TABLE IF NOT EXISTS:
  1. user_memory (Columnas: id INTEGER PRIMARY KEY AUTOINCREMENT, user_id TEXT NOT NULL, context TEXT NOT NULL).
  2. prompt_rules (Columnas: id INTEGER PRIMARY KEY AUTOINCREMENT, rule_text TEXT NOT NULL).
• Asegúrate de hacer conn.commit() y conn.close().
• Imprime un mensaje de éxito, como "Base de datos 'kavak_memory.db' configurada."
• Usa if __name__ == "__main__": para ejecutar setup_database().

2. Archivo: console_agent.py (El Agente Principal "Run 1")

Objetivo: El script principal que corre el chatbot en la terminal. Debe contener toda la lógica para construir un prompt dinámico leyendo de la BD.

Instrucciones:

• Imports: Importa os, sqlite3, load_dotenv (de dotenv), ChatOpenAI (de langchain_openai), y SystemMessage, HumanMessage, AIMessage (de langchain.schema).
• Configuración Inicial:
  • Llama a load_dotenv() para cargar el .env (asumimos que existe).
  • Inicializa el LLM: llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7).
• Funciones de Base de Datos (Lectura):
  • get_db_connection(): Una función helper que retorna sqlite3.connect('kavak_memory.db').
  • get_all_rules():
    • Se conecta a la BD.
    • Ejecuta SELECT rule_text FROM prompt_rules.
    • Obtiene todos los resultados (fetchall()).
    • Cierra la conexión.
    • Retorna un solo string con todas las reglas unidas por un salto de línea (\n). Si no hay reglas, debe retornar un string vacío.
  • get_user_memory(user_id):
    • Recibe un user_id.
    • Se conecta a la BD.
    • Ejecuta SELECT context FROM user_memory WHERE user_id = ? ORDER BY id DESC LIMIT 1 (para obtener solo el recuerdo más reciente).
    • Obtiene el resultado (fetchone()).
    • Cierra la conexión.
    • Si encuentra un recuerdo, retorna un string formateado (ej. "Contexto de memoria de este usuario: [contexto]"). Si no, retorna un string vacío.
• Función del "Agente" (El Cerebro):
  • build_system_prompt(user_id):
    • Recibe el user_id.
    • Define el PROMPT_BASE (un string largo que contiene las instrucciones iniciales y los 5 temas de Kavak).
    • Llama a get_all_rules() y guarda el resultado.
    • Llama a get_user_memory(user_id) y guarda el resultado.
    • Combina PROMPT_BASE, las reglas y la memoria en un solo string final.
    • Retorna el string del prompt final.
• Bucle Principal de Consola (main()):
  • Crea una función main().
  • Imprime un mensaje de bienvenida.
  • Pide al usuario un user_id con input() (para simular un login).
  • Llama a build_system_prompt(user_id) una vez al inicio y guarda el resultado.
  • Inicializa el historial de chat: chat_history = [SystemMessage(content=...)] con el prompt que acabas de construir.
  • Inicia un bucle while True:.
  • Pide el input del usuario: user_input = input("\nTú: ").
  • Añade un if user_input.lower() == 'salir': break.
  • Añade el HumanMessage(content=user_input) al chat_history.
  • Imprime un mensaje de espera (ej. "Kavak pensando...").
  • Llama a la IA: response = llm.invoke(chat_history).
  • Obtiene el contenido: ai_response_content = response.content.
  • Imprime la respuesta del bot: print(f"\nKavak: {ai_response_content}").
  • Importante: Añade la respuesta del bot AIMessage(content=ai_response_content) al chat_history para que el bot mantenga el contexto de la conversación actual.
• Punto de Entrada:
  • Usa if __name__ == "__main__": para ejecutar main().

Instrucciones de Ejecución (Para el Usuario Final):

Cuando completes este workflow, el usuario debe poder hacer lo siguiente en su terminal:

1. Ejecutar python database_setup.py (solo una vez) para crear el archivo kavak_memory.db.
2. Ejecutar python console_agent.py para iniciar el chat.

Resultado Esperado: Un chatbot funcional en la terminal. Al iniciarlo, me pedirá un user_id. Chatearé con él y responderá usando el PROMPT_BASE (ya que la base de datos de reglas y memoria está vacía). El bot recordará el contexto dentro de la misma sesión de chat (gracias a chat_history), pero no recordará nada si cierro y vuelvo a abrir el programa (eso es correcto para "Run 1").