egutierrez
28e50b921c
- Added Router_de_agentes.py to manage agent interactions for sales data analysis. - Created Analizador_de_datos_de_ventas.yaml for generating structured text reports from sales data. - Developed Generador_sql_ventas.yaml for generating SQL queries to analyze sales data. - Established Router_de_agente.yaml as a routing mechanism for agent requests. - Compiled centros_disponibles.md listing available sales centers. - Introduced primera_ejecucion_de_un_agente.py as an example for executing agents. - Added ver_los_prompts_de_un_agente.py to inspect prompts sent to OpenAI. - Included service account key for BigQuery access in rag-datasets-reader-sa-key.json. - Defined schema for sales data in Objeto_ventas.json. - Implemented utility functions for querying BigQuery in conseguir_datos_bq.py. - Created data transformation utilities in transformar_datos.py for handling decimal and date formats.
77 lines
2.4 KiB
Python
77 lines
2.4 KiB
Python
from agno.agent import Agent
|
|
from agno.models.openai import OpenAIChat
|
|
|
|
# Prefect imports #######################################
|
|
|
|
from prefect import task, flow
|
|
from prefect.logging import get_run_logger
|
|
from prefect.filesystems import LocalFileSystem
|
|
|
|
local_file_system_block = LocalFileSystem.load("localfile")
|
|
|
|
# Cargar variables de entorno ###########################
|
|
|
|
import os
|
|
from dotenv import load_dotenv
|
|
|
|
load_dotenv()
|
|
|
|
openai_api_key = os.getenv("OPENAI_API_KEY")
|
|
|
|
|
|
# Definir tareas ###############################################
|
|
|
|
@task(name="Inicializar agente financiero", log_prints=True)
|
|
def inicializar_agente_financiero():
|
|
prefect_logger = get_run_logger()
|
|
|
|
|
|
prefect_logger.debug(f"Inicializando el agente financiero")
|
|
# Aquí se podría agregar la lógica para inicializar el agente
|
|
return "Agente financiero inicializado"
|
|
|
|
|
|
@task(name="Analizar datos financieros", log_prints=True)
|
|
def analizar_datos_financieros(datos: str):
|
|
prefect_logger = get_run_logger()
|
|
|
|
|
|
prefect_logger.debug(f"Creando el agente con OpenAI")
|
|
|
|
prefect_logger.debug(f"analizando los datos: {datos}")
|
|
|
|
# Crear el agente
|
|
agente = Agent(
|
|
model=OpenAIChat(id="gpt-4o-mini", api_key=openai_api_key),
|
|
name="analista_financiero",
|
|
description="Agente especializado en análisis financiero y económico"
|
|
)
|
|
|
|
prefect_logger.debug(f"Ejecutando el agente")
|
|
|
|
respuesta = agente.run("Da un resumen corto financiero de los siguientes datos: " + datos)
|
|
|
|
prefect_logger.info(f"Respuesta del agente: {respuesta.content}")
|
|
|
|
return respuesta.content
|
|
|
|
|
|
# Definir el flujo principal #########################################
|
|
|
|
@flow(name="Flujo financiero", result_storage=local_file_system_block, log_prints=True) # type: ignore
|
|
def flujo_principal():
|
|
datos_ejemplo = "La bolsa de valores de Nueva York cerró al alza hoy, con el índice S&P 500 subiendo un 1.2% impulsado por ganancias en el sector tecnológico. Las acciones de Apple y Microsoft lideraron las ganancias, mientras que los mercados europeos también mostraron signos de recuperación tras datos económicos positivos."
|
|
|
|
agente_inicializado = inicializar_agente_financiero.submit().result()
|
|
|
|
|
|
resultado_analisis = analizar_datos_financieros.submit(datos_ejemplo).result()
|
|
|
|
return resultado_analisis
|
|
|
|
|
|
# Ejecutar el flujo principal #############################
|
|
|
|
|
|
if __name__ == "__main__":
|
|
flujo_principal() |