feat: integración de Asistente IA contextual con Llama.cpp Qwen3 Coder 30B (SDD-009, v3.8.24)

This commit is contained in:
2026-10-27 07:37:00 -03:00
parent 502865e45b
commit 4125f7f7bd
20 changed files with 1692 additions and 16 deletions
+241
View File
@@ -0,0 +1,241 @@
"""
Módulo de Integración de Asistente IA (Chatbot de Ayuda Contextual)
SDD-009: Compatible con OpenAI API y Servidor Local Llama.cpp (Qwen3 Coder 30B)
"""
import time
from typing import Optional
import httpx
from fastapi import APIRouter, HTTPException, Depends, Request, status
from dependencies import get_optional_current_user, require_roles
from app.models.setting import SystemSetting
from app.models.user import User
from schemas.ai_chat import (
ChatRequest,
ChatResponse,
AITestConnectionResponse,
AISettingsSchema
)
router = APIRouter(tags=["AI Chatbot"])
def generate_system_prompt_for_role(role: Optional[str]) -> str:
"""
Genera el System Prompt dinámico según el rol del usuario autenticado,
proporcionándole al LLM las reglas de negocio, manual de uso y restricciones de acceso.
"""
normalized_role = (role or "alumno").strip().lower()
if normalized_role in ["docente", "profesor", "teacher"]:
return (
"Eres el Asistente y Tutor Inteligente de Admin Edu Space (UniCABA) para DOCENTES y PROFESORES.\n"
"Tu objetivo es asistir al cuerpo docente guiándolo exclusivamente en las tareas pertinentes a su rol:\n"
"1. Asignaciones de Aula y Espacios: Explicar cómo consultar las aulas físicas asignadas y enlaces a aulas virtuales (Google Meet/Teams) en la cartelera diaria y semanal.\n"
"2. Libro de Calificaciones (Gradebook): Orientar sobre cómo cargar y editar calificaciones de parciales, recuperatorios, notas finales y cerrar actas de regularidad inmutables con trazabilidad.\n"
"3. Nómina de Comisiones y Alumnos: Guiar en la visualización de listas de alumnos inscriptos en sus comisiones activas.\n"
"4. Cronogramas y Horarios: Indicar cómo consultar días y horarios de cursada según el ciclo lectivo vigente.\n"
"REGLAS ESTRICTAS DE SEGURIDAD Y PERMISOS:\n"
"- Si el usuario te consulta sobre cómo crear carreras, modificar asignaciones físicas ajenas, reconfigurar servidores o ingresar a funciones de Bedelía, aclara respetuosamente que esas operaciones están reservadas a Bedelía o Administración de Sistemas.\n"
"- Responde siempre en español institucional, con tono cordial, empático y estructurado en pasos claros."
)
elif normalized_role in ["bedelia", "admin", "administrador"]:
return (
"Eres el Asistente y Tutor Técnico de Nivel 1 de Admin Edu Space (UniCABA) para personal de BEDELÍA y ADMINISTRADORES.\n"
"Tu objetivo es brindar soporte técnico operativo y guiar en el flujo integral de gestión académica y áulica:\n"
"1. Circuito Secuencial Canónico de 9 Pasos: 1) Sedes/Edificios -> 2) Aulas (físicas/virtuales) -> 3) Ciclos Lectivos -> 4) Carreras -> 5) Asignaturas (con carreras asociadas) -> 6) Comisiones -> 7) Profesores -> 8) Alumnos -> 9) Reservas de Espacio.\n"
"2. Matriz de Conflictos: Explicar la validación física en aulas presenciales, control estricto de aforo, superposición horaria docente (con excepción de co-docencia activa) y restricción diaria de cursada para alumnos.\n"
"3. Herramienta de Optimización con IA: Instruir sobre el uso del Optimizador Genético de Aulas para resolver colisiones y maximizar aforo.\n"
"4. Importación Masiva (Google Sheets): Explicar el proceso de inspección previa, selección granular de entidades, filtrado por carrera/día y carga con fechas manuales.\n"
"5. Sincronización Moodle 4.1: Orientar en la gestión de la cola asíncrona (MoodleSyncTask), manejo de reintentos, Dead Letter Queue (DLQ) y sincronización RBAC.\n"
"6. Auditoría Institucional: Indicar cómo auditar eventos en AuditLog por módulo, acción y fecha.\n"
"REGLAS:\n"
"- Responde con precisión técnica, terminología oficial de UniCABA y soluciones directas y accionables."
)
else:
# Rol Alumno / Estudiante (por defecto)
return (
"Eres el Asistente y Tutor Inteligente de Admin Edu Space (UniCABA) para ESTUDIANTES y ALUMNOS.\n"
"Tu misión es guiar al estudiante sobre cómo cursar y utilizar el sistema:\n"
"1. Cartelera de Clases de Hoy: Enseñar cómo consultar en qué aula física o enlace virtual de Meet le corresponde cursar sus materias hoy y en qué turno.\n"
"2. Mis Asignaturas e Inscripciones: Explicar cómo verificar las materias matriculadas, comisiones, docentes a cargo y horarios de cursada.\n"
"3. Consulta de Calificaciones: Guiar en la visualización de estados académicos, notas parciales, recuperatorios y regularidad en el sistema.\n"
"4. Restricción de Cursada Diaria: Explicar que el sistema restringe cursar dos materias el mismo día salvo cursos cortos o excepciones autorizadas por Bedelía.\n"
"REGLAS ESTRICTAS DE SEGURIDAD:\n"
"- Tienes TERMINANTEMENTE PROHIBIDO enseñar o detallar cómo reservar aulas, cómo alterar notas, cómo sincronizar Moodle o cómo administrar el sistema.\n"
"- Ante cualquier solicitud de índole administrativa o de reclamo de cupos, indica al alumno que debe dirigirse a la Secretaría de Bedelía de UniCABA.\n"
"- Responde en español de forma pedagógica, clara y amigable."
)
def _get_ai_config() -> dict:
"""Recupera la configuración activa del motor de IA desde SystemSetting."""
enabled_val = SystemSetting.get_value("ai_chat_enabled", "true")
enabled = enabled_val in ["true", "True", "1", True]
base_url = SystemSetting.get_value("ai_chat_base_url", "http://10.0.0.214:8080/v1") or "http://10.0.0.214:8080/v1"
# Obtener clave API descifrada
api_key = SystemSetting.get_decrypted_value("ai_chat_api_key", "llama") or "llama"
model = SystemSetting.get_value("ai_chat_model", "qwen3-coder:30b") or "qwen3-coder:30b"
model_name = SystemSetting.get_value("ai_chat_model_name", "Qwen3 Coder 30B-A3B (Llama.cpp)") or "Qwen3 Coder 30B-A3B (Llama.cpp)"
try:
temperature = float(SystemSetting.get_value("ai_chat_temperature", 0.3))
except (ValueError, TypeError):
temperature = 0.3
try:
timeout = float(SystemSetting.get_value("ai_chat_timeout", 60.0))
except (ValueError, TypeError):
timeout = 60.0
return {
"enabled": enabled,
"base_url": base_url.strip().rstrip("/"),
"api_key": api_key.strip(),
"model": model.strip(),
"model_name": model_name.strip(),
"temperature": temperature,
"timeout": timeout
}
@router.post("/", response_model=ChatResponse)
@router.post("", response_model=ChatResponse)
async def get_agent_response(
request: ChatRequest,
req: Request,
current_user: Optional[User] = Depends(get_optional_current_user)
):
"""
Procesa la conversación del usuario con el agente contextual:
1. Resuelve el rol del usuario (prioriza sesión JWT o campo user_role).
2. Inyecta el System Prompt correspondiente al rol.
3. Envía la solicitud asíncrona no bloqueante hacia el servidor local Llama.cpp.
"""
config = _get_ai_config()
if not config["enabled"]:
raise HTTPException(
status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
detail="El servicio de Asistente IA está temporalmente deshabilitado por el administrador."
)
# 1. Determinar rol efectivo
effective_role = request.user_role or "alumno"
if current_user:
if getattr(current_user, "is_admin", False) or (getattr(current_user, "role", "") or "").upper() == "ADMIN":
effective_role = "bedelia"
elif hasattr(current_user, "role") and current_user.role:
role_str = str(current_user.role).lower()
if "docente" in role_str or "profesor" in role_str or "teacher" in role_str:
effective_role = "docente"
elif "bedelia" in role_str or "admin" in role_str:
effective_role = "bedelia"
else:
effective_role = "alumno"
# 2. Inyección de Contexto
system_prompt = generate_system_prompt_for_role(effective_role)
formatted_messages = [{"role": "system", "content": system_prompt}]
for msg in request.messages:
formatted_messages.append({"role": msg.role, "content": msg.content})
payload = {
"model": config["model"],
"messages": formatted_messages,
"temperature": config["temperature"]
}
target_url = f"{config['base_url']}/chat/completions"
headers = {
"Authorization": f"Bearer {config['api_key']}",
"Content-Type": "application/json"
}
# 3. Petición asíncrona no bloqueante al servidor local
async with httpx.AsyncClient(timeout=config["timeout"]) as client:
try:
response = await client.post(target_url, headers=headers, json=payload)
response.raise_for_status()
ai_data = response.json()
reply_text = ai_data["choices"][0]["message"]["content"]
return ChatResponse(response=reply_text)
except httpx.TimeoutException:
raise HTTPException(
status_code=status.HTTP_504_GATEWAY_TIMEOUT,
detail=f"El servidor de IA local superó el tiempo límite de espera ({config['timeout']}s)."
)
except httpx.HTTPStatusError as e:
detail_msg = f"Error del motor de IA local ({e.response.status_code}): {e.response.text[:200]}"
raise HTTPException(status_code=status.HTTP_503_SERVICE_UNAVAILABLE, detail=detail_msg)
except httpx.RequestError as e:
raise HTTPException(
status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
detail="Error conectando al motor de IA local. Verifique que Llama.cpp esté activo en 10.0.0.214."
)
@router.post("/test-connection", response_model=AITestConnectionResponse)
async def test_ai_connection(
current_user: User = Depends(require_roles(["ADMIN"]))
):
"""
Verifica la conectividad directa con el servidor local Llama.cpp
consultando el endpoint de modelos /v1/models y calculando la latencia.
"""
config = _get_ai_config()
target_url = f"{config['base_url']}/models"
headers = {"Authorization": f"Bearer {config['api_key']}"}
start_time = time.time()
async with httpx.AsyncClient(timeout=10.0) as client:
try:
resp = await client.get(target_url, headers=headers)
latency_ms = round((time.time() - start_time) * 1000, 2)
if resp.status_code == 200:
data = resp.json()
model_ids = [m.get("id") for m in data.get("data", []) if isinstance(m, dict) and "id" in m]
return AITestConnectionResponse(
status="success",
message=f"Conexión exitosa con Llama.cpp ({config['base_url']}). Latencia: {latency_ms} ms.",
latency_ms=latency_ms,
models=model_ids
)
else:
return AITestConnectionResponse(
status="warning",
message=f"Respuesta inesperada del servidor ({resp.status_code}): {resp.text[:200]}",
latency_ms=latency_ms,
models=[]
)
except httpx.TimeoutException:
return AITestConnectionResponse(
status="error",
message=f"Tiempo de espera agotado al conectar a {config['base_url']} (Timeout: 10s).",
latency_ms=None,
models=[]
)
except httpx.RequestError as e:
return AITestConnectionResponse(
status="error",
message=f"No se pudo conectar a {config['base_url']}: {str(e)}",
latency_ms=None,
models=[]
)
@router.get("/config")
def get_ai_public_config(current_user: Optional[User] = Depends(get_optional_current_user)):
"""Retorna metadatos públicos de estado del asistente para el widget del frontend."""
config = _get_ai_config()
return {
"status": "success",
"enabled": config["enabled"],
"model": config["model"],
"model_name": config["model_name"]
}