Perplexity API
LLM + Búsqueda Web en Tiempo Real

"""
Agente de Inteligencia Competitiva — CULTIVA IA
Monitoriza el ecosistema LLM/IA para agencias en tiempo real.
Powered by Perplexity API (modelos Sonar online).
"""
import os
import time
from openai import OpenAI, RateLimitError


class IntelAgente:
    """Agente de inteligencia competitiva con búsqueda web en tiempo real."""

    def __init__(self):
        self.client = OpenAI(
            api_key=os.environ["PERPLEXITY_API_KEY"],
            base_url="https://api.perplexity.ai",
        )
        self.history = []  # para sesiones multi-turno

    # ── 1. CONSULTA RÁPIDA ─────────────────────────────────────────────
    def consulta_rapida(self, pregunta: str) -> str:
        """sonar: respuesta rápida con búsqueda web (latencia ~2s)."""
        resp = self.client.chat.completions.create(
            model="sonar",
            messages=[
                {"role": "system",
                 "content": "Eres analista de IA para agencias. Responde en español, conciso."},
                {"role": "user", "content": pregunta},
            ],
        )
        return resp.choices[0].message.content

    # ── 2. INVESTIGACIÓN PROFUNDA CON CITAS ────────────────────────────
    def investigacion(self, tema: str) -> dict:
        """sonar-pro: análisis exhaustivo + URLs de fuentes verificadas."""
        resp = self.client.chat.completions.create(
            model="sonar-pro",
            messages=[
                {"role": "system",
                 "content": "Analista senior de mercado IA. Cita siempre las fuentes. Español."},
                {"role": "user", "content": tema},
            ],
            max_tokens=2000,
        )
        contenido = resp.choices[0].message.content
        citas = getattr(resp, "citations", [])
        return {"respuesta": contenido, "citas": citas}

    # ── 3. SESIÓN MULTI-TURNO ──────────────────────────────────────────
    def chat(self, mensaje: str) -> str:
        """sonar-pro multi-turno: contexto acumulativo entre preguntas."""
        if not self.history:
            self.history.append({
                "role": "system",
                "content": "Asistente de research IA para CULTIVA IA. Cita fuentes. Español.",
            })
        self.history.append({"role": "user", "content": mensaje})
        resp = self.client.chat.completions.create(
            model="sonar-pro", messages=self.history
        )
        answer = resp.choices[0].message.content
        self.history.append({"role": "assistant", "content": answer})
        return answer

    def reset_chat(self): self.history = []

    # ── 4. STREAMING PARA DASHBOARD ────────────────────────────────────
    def stream(self, pregunta: str):
        """sonar: streaming token a token para UX reactiva."""
        stream = self.client.chat.completions.create(
            model="sonar",
            messages=[{"role": "user", "content": pregunta}],
            stream=True,
        )
        for chunk in stream:
            delta = chunk.choices[0].delta.content
            if delta:
                yield delta  # → enviar a WebSocket / SSE

    # ── 5. RETRY CON BACKOFF EXPONENCIAL ───────────────────────────────
    def buscar_con_retry(self, query: str, reintentos: int = 3) -> str:
        """Producción: manejo automático de rate-limiting."""
        for intento in range(reintentos):
            try:
                resp = self.client.chat.completions.create(
                    model="sonar",
                    messages=[{"role": "user", "content": query}],
                    timeout=30,
                )
                return resp.choices[0].message.content
            except RateLimitError:
                wait = 2 ** intento
                print(f"Rate limit. Reintentando en {wait}s...")
                time.sleep(wait)
        raise RuntimeError("Máximo de reintentos alcanzado")


# ── DEMO ──────────────────────────────────────────────────────────────
if __name__ == "__main__":
    agente = IntelAgente()

    # 1. Consulta rápida
    print(agente.consulta_rapida("¿Qué modelos LLM han lanzado esta semana?"))

    # 2. Investigación con citas
    resultado = agente.investigacion("Precios actuales GPT-4o vs Claude 3.7 vs Gemini 2.5 Pro")
    print(resultado["respuesta"])
    for i, url in enumerate(resultado["citas"], 1):
        print(f"[{i}] {url}")

    # 3. Sesión multi-turno
    print(agente.chat("¿Qué labs publican modelos en 2025?"))
    print(agente.chat("¿Cuál tiene mejor precio por millón de tokens?"))

    # 4. Streaming
    for token in agente.stream("Tendencias IA para agencias de marketing en Q3 2025"):
        print(token, end="", flush=True)