chore: Remove obsolete build and GUI files, and introduce a new Docker Compose setup for microservices architecture. This change streamlines the project structure by eliminating legacy scripts and integrating a PostgreSQL database service alongside extraction and cleaning services.

2026-07-03 18:33:50 -05:00
parent 78df190d27
commit b55ad74539
75 changed files with 1699 additions and 8514 deletions
@@ -0,0 +1,116 @@
+"""Builder para prompts de extracción.
+
+Centraliza la construcción de instrucciones reducidas en base a:
+- selección de campos (paths de schema)
+- schema de referencia (ruta->tipo)
+- perfil (invoice/prenuevaeps)
+"""
+from __future__ import annotations
+
+import json
+from typing import Dict, List, Any
+
+from .profiles import get_profile
+from .config import get_allowed_document_types
+
+
+def _build_instructions() -> List[str]:
+  tipos_documento = ", ".join(get_allowed_document_types())
+  return [
+    "Extrae únicamente los campos solicitados respetando jerarquía y listas",
+    "Devuelve EXCLUSIVAMENTE un JSON válido y bien formado, sin texto adicional",
+    "No inventes claves nuevas ni cambies nombres existentes",
+    "Si un campo no existe, usa null o [] según corresponda",
+    "Ten especial cuidado en no confundir el número de autorización con el código",
+    f"Los únicos tipos de documento válidos para 'documento_forzate' son: {tipos_documento}. NIT no es válido para ese campo.",
+    "Si entre los valores visibles aparece uno o varios tipos de documento válidos seguidos por su número (por ejemplo: 'CC 123456789' o 'EPT 123456789'), aunque no estén escritos con formato 'clave: valor', y existe el campo solicitado 'documento_forzate', guarda cada valor completo con su sigla exacta.",
+    "Respeta la sigla exacta del documento encontrado. Ejemplo: si el documento dice 'EPT', devuelve 'EPT 123456789' y no lo conviertas a 'PT'.",
+    "Solo si una ruta de observación, nota o texto aclaratorio figura explícitamente en 'campos_requeridos' (con el nombre exacto indicado), "
+    "extrae el texto completo visible bajo su etiqueta en el documento (p. ej. línea «Observación:» …); no añadas ese campo si no está listado en 'campos_requeridos'.",
+  ]
+
+_REGLAS_NOMENCLATURA = [
+  "Usa EXACTAMENTE los nombres listados en 'campos_requeridos'",
+  "No utilices sinónimos ni variantes (no cambies tildes ni mayúsculas/minúsculas)",
+  "Mantén la estructura de rutas: 'items/*/subcampo' => {'items': [{'subcampo': ...}]}",
+  "No cambies nombres de claves por 'equivalentes'",
+  "Si un campo no existe, devuelve null (o []) usando el MISMO nombre solicitado",
+]
+
+_NOTA_LISTAS = "Si se pide 'items/*/subtotal', la salida debe ser {'items': [{'subtotal': ...}, {'subtotal': ...}]}"
+
+
+class PromptBuilder:
+  @staticmethod
+  def _base_payload(
+    profile_name: str,
+    fields: List[str],
+    schema: Dict[str, str],
+    extra_meta: Dict[str, Any] | None = None,
+  ) -> Dict[str, Any]:
+    profile = get_profile(profile_name or "invoice")
+    meta: Dict[str, Any] = {
+      "perfil": profile.get("name", "invoice"),
+      "descripcion": "Extracción estructurada desde OCR de facturas (sin datos personales reales)",
+    }
+    if extra_meta:
+      meta.update(extra_meta)
+    return {
+      "meta": meta,
+      "instrucciones": _build_instructions(),
+      "campos_requeridos": fields,
+      "schema_referencia": {k: schema[k] for k in fields if k in schema},
+      "reglas_estrictas_nomenclatura": _REGLAS_NOMENCLATURA,
+      "salida": {"tipo": "json_object", "raiz": None},
+      "nota_listas": _NOTA_LISTAS,
+    }
+
+  @staticmethod
+  def build(selected_fields: List[str], schema: Dict[str, str], profile_name: str | None = None) -> str:
+    payload = PromptBuilder._base_payload(profile_name or "invoice", selected_fields, schema)
+    return json.dumps(payload, indent=2, ensure_ascii=False)
+
+  @staticmethod
+  def build_normalization_messages(profile_name: str, template: Dict[str, Any], source_json: Dict[str, Any]) -> List[Dict[str, str]]:
+    system_txt = (
+      "Eres un asistente que normaliza un JSON a un ESQUEMA CANÓNICO dado. "
+      "Debes devolver EXCLUSIVAMENTE un JSON que respete exactamente la estructura y nombres del 'template'. "
+      "Reglas: (1) No inventes claves; (2) No uses sinónimos ni variantes; (3) Respeta listas (si 'items' es lista, devuelve un array de objetos); "
+      "(4) Si falta un valor, usa null o [] según corresponda; (5) No incluyas texto extra ni comentarios. "
+      "(6) Los campos de texto largo (notas, observaciones, leyendas, pie de página, etc.): copia el texto COMPLETO "
+      "del source_json sin resumir, sin omitir tramos ni acortar; respeta tildes y caracteres tal cual en el valor de origen."
+    )
+    user_obj = {
+      "perfil": profile_name,
+      "template": template,
+      "source_json": source_json,
+      "instrucciones": (
+        "Mapea los valores del 'source_json' al 'template'. Si hay claves equivalentes en el source, "
+        "elige siempre los nombres del template. No devuelvas rutas con '/', sino objetos anidados. "
+        "Para cualquier cadena larga del documento (p. ej. notas legales o bloques de observación), "
+        "transcribe el contenido literal completo; no uses elipsis ni versiones abreviadas."
+      ),
+    }
+    return [
+      {"role": "system", "content": system_txt},
+      {"role": "user", "content": json.dumps(user_obj, ensure_ascii=False)},
+    ]
+
+  @staticmethod
+  def build_for_type(
+    doc_type_name: str,
+    selected_paths_for_type: List[str],
+    schema_for_type: Dict[str, str],
+    profile_name: str | None = None,
+  ) -> str:
+    """Construye un prompt reducido para un Tipo de Documento específico.
+
+    doc_type_name se usa en meta para trazabilidad; no afecta el esquema.
+    """
+    payload = PromptBuilder._base_payload(
+      profile_name or "invoice",
+      selected_paths_for_type,
+      schema_for_type,
+      extra_meta={"tipo_documento": doc_type_name},
+    )
+    return json.dumps(payload, indent=2, ensure_ascii=False)