File size: 45,996 Bytes
24431ef
94a16c6
24431ef
 
94a16c6
 
 
 
 
 
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
94a16c6
24431ef
 
 
94a16c6
 
 
 
 
 
24431ef
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
25815f0
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
 
 
 
 
 
 
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
 
 
 
 
 
 
 
 
 
 
24431ef
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
94a16c6
 
 
24431ef
 
 
94a16c6
 
 
 
 
 
 
 
 
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
 
24431ef
 
 
94a16c6
 
24431ef
 
94a16c6
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
 
 
 
 
 
24431ef
 
 
 
 
 
94a16c6
 
 
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
94a16c6
24431ef
 
 
 
94a16c6
24431ef
 
 
94a16c6
 
 
 
 
 
24431ef
 
 
94a16c6
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
24431ef
 
 
94a16c6
 
 
24431ef
 
 
94a16c6
 
24431ef
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
94a16c6
24431ef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
65b4bb8
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
"""
Capa 3 · Orquestador v4 -- Multi-Modelo Anti-Alucinacion
=========================================================
Modelos:
  - LLaMA 3.1 8B  -> Clasificador + Validador
  - LLaMA 3.1 70B -> Analisis numerico, narrativo y sintesis
  - Mixtral 8x7B  -> Dashboard
v4.1: Integracion read_ift (telecomunicaciones Mexico)
v4.2: Fix bloque INEGI -- eliminada instruccion hardcodeada de poblacion,
      ahora pasa datos reales (IGAE, PIB, INPC, etc.) sin sesgar al LLM.
"""

import json
import os
import asyncio
import requests
from modules.agent_tools import TOOLS, execute_tool
from modules.critic_loop import critic_loop, load_raw_data_for_validation
from modules.semantic_cache import get_cached, set_cached
from modules.observability import QueryTrace

NVIDIA_API_KEY  = os.getenv("NVIDIA_API_KEY", "")
NVIDIA_BASE_URL = "https://integrate.api.nvidia.com/v1"

# Groq -- Llama 3.3 70B numerico -- mas rapido
GROQ_API_KEY  = os.getenv("GROQ_API_KEY", "")
GROQ_BASE_URL = "https://api.groq.com/openai/v1"

# Tavily -- busqueda web en tiempo real
TAVILY_API_KEY = os.getenv("TAVILY_API_KEY", "")
TAVILY_URL     = "https://api.tavily.com/search"

# --- Modelos -------------------------------------------------------------------
MODEL_CLASSIFIER = "meta/llama-3.1-8b-instruct"   # Clasificador SIMPLE/NUMERICA/NARRATIVA
MODEL_NUMERICAL  = "llama-3.3-70b-versatile"      # Analisis numerico via Groq LPU
MODEL_NARRATIVE  = "meta/llama-3.1-70b-instruct"  # Analisis narrativo y contexto complejo
MODEL_VALIDATOR  = "meta/llama-3.1-8b-instruct"   # Validador anti-alucinacion
MODEL_SYNTHESIS  = "meta/llama-3.1-70b-instruct"  # Sintesis final bilingue

# --- System prompts --------------------------------------------------------------
SYSTEM_STRICT = """Eres el Agente Económico de la plataforma MX Data Intelligence.
Tu objetivo es proveer datos macroeconómicos y de telecomunicaciones de México 100% verídicos.
Fuentes oficiales: Banxico, World Bank, INEGI, IFT.

REGLAS ESTRICTAS — sin excepciones:
1. NUNCA uses tu memoria interna para datos numéricos — solo tool results.
2. PROHIBIDO repetir el mismo decimal en años consecutivos sin que la fuente lo confirme.
3. Si el dato no existe o no fue publicado → responde exactamente: "El dato oficial para [período] aún no ha sido publicado por las instituciones correspondientes."
4. Cada número en tu respuesta DEBE tener su fuente explícita (Banxico/World Bank/INEGI/IFT) y fecha.
5. Si la herramienta retorna error → dilo explícitamente, no improvises.
6. Responde en el mismo idioma de la pregunta (español o inglés).
7. El campo inflacion_ipc de Banxico es el ÍNDICE INPC base 2018=100, NO es el porcentaje de inflación anual. NUNCA lo presentes como porcentaje.
8. Para inflación anual usa el dato de INEGI (inflacion_general, unidad % variación anual). Si no está en INEGI, usa inflacion_pct del World Bank. Nunca escribas "dato no disponible" si tienes inflacion_general de INEGI.
9. PIB siempre en billones: $1.856 billones USD (1 billón = 1,000,000 millones).
10. ESCALA WORLD BANK — CRÍTICO: SIEMPRE usa valor_fmt_es para presentar datos del World Bank. Exportaciones, importaciones y remesas son "miles de millones USD", NO "billones USD".
11. DATOS 5G MÉXICO — CRÍTICO: El IFT NO publica datos de penetración 5G desagregados en sus reportes de Datos Oportunos. Si preguntan por penetración 5G: indica que el IFT no publica ese dato desagregado, y que la estimación de cobertura poblacional GSMA 2024 es ~3.5% (no usuarios activos). NO cites porcentajes de penetración 5G del IFT porque ese dato no existe en el reporte oficial.
10. BÚSQUEDA WEB — search_web() disponible via Tavily API. Úsala cuando: (a) el dato no está en el bucket, (b) preguntan por regulatorio reciente (CRT/ATDT), (c) portabilidad más reciente que H1 2025, (d) noticias de operadores. Siempre cita la URL fuente.
11. Para datos de telecomunicaciones (Telcel, AT&T, Movistar, Telmex, 5G, etc.) usa SIEMPRE read_ift — nunca inventes participaciones de mercado.
12. OPERADORES 5G MÉXICO — CRÍTICO ANTI-ALUCINACIÓN: 
    5G REAL confirmado: Telcel (red propia) y AT&T (red propia). Movistar opera 5G vía acuerdo con AT&T.
    OMVs: Bait/Diri/PilloFon usan Altán Redes = 4.5G LTE, NO 5G. NUNCA digas que Bait, Diri o PilloFon tienen 5G.
    Megacable y Virgin Mobile: depende de zona — NO afirmes que tienen 5G si no está en el dato oficial.
    Si no hay dato oficial confirmado → di exactamente: "El IFT Q1 2025 no certifica el acceso 5G de este OMV."
13. REGULADOR TELECOMUNICACIONES — CRÍTICO: El IFT sigue siendo el regulador oficial de telecomunicaciones en México. En 2025 quedó reorganizado y adscrito a la ATDT pero NO fue extinto — sigue operando. NUNCA digas que el IFT fue extinto o que la CRT lo reemplazó. Los datos de nuestro bucket son del IFT Q1 2025. SIEMPRE que respondas preguntas de telecomunicaciones agrega: "Fuente: IFT Q1 2025."
14. PORTABILIDAD — CRÍTICO ANTI-ALUCINACIÓN:
    DATOS REALES disponibles (fuente: consolidado semestral IFT, reportado julio 2025 — NO es Q1 2025):
    - Movistar H1 2025 (ene-jun 2025): +32,667 líneas netas
    - AT&T H1 2025 (ene-jun 2025): -752,664 líneas netas
    - Telcel H1 2025: desaceleración 42% vs año anterior
    - Bait (OMV) H1 2025: +244,024 líneas netas
    CRÍTICO: Estos datos son del CONSOLIDADO SEMESTRAL (H1 = primer semestre ene-jun 2025), NO del reporte Q1 (enero-marzo).
    NUNCA atribuyas datos semestrales a un reporte Q1. Son períodos diferentes.
    Si preguntan por Q1 específico: "El reporte IFT Q1 2025 no desglosa saldos numéricos de portabilidad. El dato disponible es el consolidado H1 2025."
    Si preguntan por período no disponible: "No tengo ese dato. Consulta ift.org.mx/portabilidad"
15. INEGI — CRÍTICO: Los datos de INEGI (población, IGAE, PIB trimestral, INPC, tasa de desocupación,
    inflación general y subyacente) provienen del Dataset HF Fercor95mx/mx-data-truth-inegi, alimentado
    diariamente por extracción directa del Banco de Información Económica (BIE-BISE) del INEGI.
    Usa el valor, fecha y unidad EXACTOS que vengan en los datos — nunca inventes ni asumas un valor
    de tu conocimiento general, aunque te parezca plausible. Si el campo solicitado no aparece en los
    datos, dilo explícitamente y sugiere consultar inegi.org.mx — no rellenes con otro indicador distinto.
16. REGLA GENERAL ANTI-ALUCINACIÓN: Si no tienes el dato exacto en el bucket, responde: "No cuento con ese dato en mi fuente actual. Te recomiendo consultar [fuente oficial]." NUNCA inventes justificaciones de por qué no tienes el dato.
"""

PROMPT_CLASSIFIER = """Clasifica esta pregunta económica en UNA de estas 3 categorías:

SIMPLE - pregunta sobre dato ACTUAL o RECIENTE sin fecha específica pasada
  Ejemplos: "¿Cuál es el tipo de cambio hoy?", "¿Cómo está la tasa TIIE?", "¿Cuál es el PIB?"

NUMERICA - pregunta sobre histórico, año específico (2024/2025/2026), promedio, estadísticas, tendencia, máximo, mínimo, evolución
  Ejemplos: "¿Cuál fue el promedio en 2025?", "tipo de cambio durante 2024", "estadísticas SF43718", "mínimo histórico"

NARRATIVA - análisis complejo, comparaciones entre fuentes, impactos, escenarios, explicaciones
  Ejemplos: "¿Cómo afecta la inflación al PIB?", "compara Banxico con World Bank", "análisis económico completo"

REGLA IMPORTANTE: Si la pregunta menciona un año (2024, 2025, 2026) o palabras como promedio/histórico/estadísticas/tendencia/mínimo/máximo → siempre es NUMERICA.

Responde SOLO con una palabra: SIMPLE, NUMERICA o NARRATIVA."""

PROMPT_VALIDATOR = """Eres un validador silencioso de datos económicos.
Tu tarea: revisar y corregir la respuesta. Devuelve SOLO la respuesta corregida — sin explicaciones, sin comentarios, sin mencionar qué corregiste.

Reglas de corrección:
1. Agrega fuente explícita (Banxico/World Bank/INEGI/IFT) a cada número que no la tenga
2. Si un decimal parece inventado, márcalo como [dato no verificado]
3. No agregues datos nuevos — solo corrige formato y fuentes
4. Devuelve la respuesta lista para mostrar al usuario final"""

MULTI_KEYWORDS = [
    "cruzando", "cruza", "todas las fuentes", "salud económica",
    "resumen económico", "análisis completo", "los tres", "las tres",
    "multi", "completo", "integral", "compara", "vs", "versus"
]

# -- Keywords telecomunicaciones --------------------------------------------------
TELCO_KEYWORDS = [
    "telcel", "att", "at&t", "movistar", "telmex", "telnorte",
    "telecomunicaciones", "telco", "telefonia movil", "telefonía móvil",
    "5g", "4g", "lte", "cobertura celular", "cobertura movil",
    "portabilidad numerica", "portabilidad numérica",
    "banda ancha", "internet movil", "internet móvil",
    "operador movil", "operador móvil", "lineas moviles", "líneas móviles",
    "ift", "instituto federal de telecomunicaciones",
    "participacion mercado movil", "participación mercado móvil",
    "tv restringida", "television restringida", "televisión restringida",
    "megacable", "izzi", "sky", "total play", "totalplay",
    "agente economico preponderante", "aep telecom",
]

# -- Keywords INEGI -- v4.2: ampliado con los 9 indicadores reales ---------------
INEGI_KEYWORDS = [
    "poblacion", "población", "personas hay", "cuantas personas",
    "cuántas personas", "habitantes", "igae", "ocupacion", "ocupados",
    "inegi", "inpc", "desocupacion", "desocupación", "actividad economica",
    "actividad económica", "pib trimestral", "producto interno bruto trimestral",
    "tasa de desocupacion", "tasa de desocupación", "inflacion general",
    "inflación general", "inflacion subyacente", "inflación subyacente",
    "indice de precios", "índice de precios", "indice nacional de precios",
]


# --- Helpers -----------------------------------------------------------------------

def needs_multi_source(question: str) -> bool:
    q = question.lower()
    has_banxico = any(k in q for k in ["banxico", "tipo de cambio", "tasa", "tiie", "inflacion", "inflación"])
    has_wb      = any(k in q for k in ["world bank", "pib", "exportaciones", "deuda", "worldbank"])
    has_inegi   = any(k in q for k in ["inegi", "poblacion", "población", "ocupacion", "igae"])
    has_multi   = any(k in q for k in MULTI_KEYWORDS)
    return sum([has_banxico, has_wb, has_inegi]) >= 2 or has_multi


# Global trace reference for token tracking
_current_trace = None

def call_model(model: str, messages: list, max_tokens: int = 700) -> tuple:
    """Llamada generica a cualquier modelo via NVIDIA API."""
    headers = {
        "Authorization": f"Bearer {NVIDIA_API_KEY}",
        "Content-Type":  "application/json",
    }
    payload = {
        "model":       model,
        "messages":    messages,
        "temperature": 0.1,
        "max_tokens":  max_tokens,
        "stream":      False,
    }
    for attempt in range(3):
        try:
            r = requests.post(
                f"{NVIDIA_BASE_URL}/chat/completions",
                headers=headers,
                json=payload,
                timeout=180,
            )
            r.raise_for_status()
            data = r.json()
            result = data["choices"][0]["message"].get("content", "")
            if _current_trace:
                usage = data.get("usage", {})
                input_tokens  = usage.get("prompt_tokens",     sum(len(m.get("content","")) for m in messages) // 4)
                output_tokens = usage.get("completion_tokens", len(result) // 4)
                _current_trace.record_tokens(model, input_tokens, output_tokens)
            return result, None
        except requests.exceptions.Timeout:
            if attempt < 2:
                continue
            return None, "timeout"
        except Exception as e:
            return None, str(e)
    return None, "timeout"


def call_model_groq(model: str, messages: list, max_tokens: int = 700) -> tuple:
    """Llamada a Groq API -- mas rapido para analisis numerico."""
    if not GROQ_API_KEY:
        return call_model("meta/llama-3.1-70b-instruct", messages, max_tokens)
    headers = {
        "Authorization": f"Bearer {GROQ_API_KEY}",
        "Content-Type":  "application/json",
    }
    payload = {
        "model":       "llama-3.3-70b-versatile",
        "messages":    messages,
        "temperature": 0.1,
        "max_tokens":  max_tokens,
        "stream":      False,
    }
    for attempt in range(3):
        try:
            r = requests.post(
                f"{GROQ_BASE_URL}/chat/completions",
                headers=headers,
                json=payload,
                timeout=30,
            )
            r.raise_for_status()
            data = r.json()
            result = data["choices"][0]["message"].get("content", "")
            if _current_trace:
                usage = data.get("usage", {})
                input_tokens  = usage.get("prompt_tokens", sum(len(m.get("content","")) for m in messages) // 4)
                output_tokens = usage.get("completion_tokens", len(result) // 4)
                _current_trace.record_tokens("groq/llama-3.3-70b-versatile", input_tokens, output_tokens)
            return result, None
        except requests.exceptions.Timeout:
            if attempt < 2:
                continue
            return call_model("meta/llama-3.1-70b-instruct", messages, max_tokens)
        except Exception as e:
            if attempt < 2:
                continue
            return call_model("meta/llama-3.1-70b-instruct", messages, max_tokens)
    return call_model("meta/llama-3.1-70b-instruct", messages, max_tokens)


def search_web(query: str, max_results: int = 3) -> dict:
    """Busqueda web en tiempo real via Tavily API."""
    if not TAVILY_API_KEY:
        return {"error": "TAVILY_API_KEY no configurada", "results": []}
    try:
        payload = {
            "api_key":      TAVILY_API_KEY,
            "query":        query,
            "max_results":  max_results,
            "search_depth": "basic",
            "include_answer": True,
            "include_domains": [
                "ift.org.mx", "crt.gob.mx", "atdt.gob.mx",
                "banxico.org.mx", "inegi.org.mx",
                "eleconomista.com.mx", "expansion.mx",
                "milenio.com", "elfinanciero.com.mx"
            ]
        }
        r = requests.post(TAVILY_URL, json=payload, timeout=15)
        r.raise_for_status()
        data = r.json()
        results = []
        for item in data.get("results", [])[:max_results]:
            results.append({
                "titulo":  item.get("title", ""),
                "url":     item.get("url", ""),
                "snippet": item.get("content", "")[:400],
                "fecha":   item.get("published_date", "")
            })
        return {
            "answer":  data.get("answer", ""),
            "results": results,
            "query":   query
        }
    except Exception as e:
        return {"error": str(e), "results": []}


def classify_question(question: str) -> str:
    """LLaMA 8B clasifica la pregunta: SIMPLE / NUMERICA / NARRATIVA."""
    msgs = [
        {"role": "system", "content": PROMPT_CLASSIFIER},
        {"role": "user",   "content": question}
    ]
    result, error = call_model(MODEL_CLASSIFIER, msgs, max_tokens=10)
    if error or not result:
        return "NARRATIVA"
    result = result.strip().upper()
    if "SIMPLE" in result:
        return "SIMPLE"
    elif "NUMERICA" in result or "NUMÉRICA" in result:
        return "NUMERICA"
    else:
        return "NARRATIVA"


async def fetch_tool_async(tool_name: str, args: dict) -> tuple:
    """Ejecuta una tool de forma asincrona."""
    loop = asyncio.get_event_loop()
    result = await loop.run_in_executor(None, execute_tool, tool_name, args)
    return tool_name, result


async def prefetch_all_parallel(placeholder=None) -> str:
    """Ejecuta las tools en paralelo con asyncio.gather().
    INEGI: llama indicadores especificos en vez de todos para evitar
    enviar 399 registros historicos al LLM."""
    if placeholder:
        placeholder.markdown("*Consultando Banxico + World Bank + INEGI en paralelo...*")

    # Indicadores INEGI especificos - NO usar todos (399 registros)
    INEGI_INDS = ["igae", "inflacion_general", "tasa_desocupacion",
                  "precios", "pib_trimestral", "ocupacion"]

    tasks = (
        [fetch_tool_async("read_banxico",   {"indicador": "todos"}),
         fetch_tool_async("read_worldbank", {"categoria": "economia"})]
        + [fetch_tool_async("read_inegi", {"indicador": ind}) for ind in INEGI_INDS]
    )

    results = await asyncio.gather(*tasks, return_exceptions=True)

    parts = []
    labels = {"read_banxico": "BANXICO", "read_worldbank": "WORLD BANK", "read_inegi": "INEGI"}

    BILLONES_KEYS = ["pib_usd", "exportaciones_usd", "importaciones_usd", "remesas_usd", "cuenta_corriente_usd"]
    PCT_KEYS      = ["inflacion_pct", "desempleo_pct", "deuda_pct_pib", "crecimiento_pib_pct", "pobreza_pct",
                     "alfabetizacion_pct", "acceso_electricidad_pct", "area_forestal_pct"]

    def fmt_valor(k, v, meta=None):
        if isinstance(meta, dict) and "valor_fmt_es" in meta:
            return meta["valor_fmt_es"]
        try:
            n = float(str(v).replace(",", ""))
            if k in BILLONES_KEYS:
                if abs(n) > 1_000_000_000_000:
                    return f"{n/1_000_000_000_000:,.3f} billones USD"
                elif abs(n) > 1_000_000_000:
                    return f"{n/1_000_000_000:,.1f} miles de millones USD"
            elif k in PCT_KEYS:
                return f"{n:.2f}%"
            elif k in ["inflacion_ipc", "SP1"]:
                return f"{n:.3f} (índice INPC base 2018=100 — NO es % de inflación)"
            elif k in ["tipo_cambio_usd_mxn", "SF43718"]:
                return f"{n:.4f} MXN/USD"
            elif k in ["tiie_28_dias", "tasa_objetivo", "SF43783", "SF61745"]:
                return f"{n:.4f}%"
            elif n > 1_000_000:
                return f"{n:,.0f}"
            return v
        except (TypeError, ValueError):
            return v

    inegi_parts = []  # acumular resultados INEGI individuales

    for tool_name, result in results:
        label = labels.get(tool_name, tool_name)
        if isinstance(result, Exception):
            if tool_name != "read_inegi":
                parts.append(f"[{label}]: Error - {result}")
            continue
        try:
            data = json.loads(result)

            # INEGI: cada resultado es un indicador especifico {ok, nombre, valor, fecha, unidad}
            if tool_name == "read_inegi":
                if data.get("ok") and data.get("valor") is not None:
                    nombre = data.get("nombre", data.get("indicador", ""))
                    valor  = data.get("valor")
                    fecha  = data.get("fecha", "")
                    unidad = data.get("unidad", "")
                    var    = data.get("variacion_pct")
                    v_fmt  = fmt_valor(nombre, valor)
                    var_str = f" ({var:+.2f}% var.anual)" if var is not None else ""
                    inegi_parts.append(f"{nombre}={v_fmt}{var_str} [{fecha}]")
                continue

            # Banxico y World Bank: procesamiento normal
            datos = data.get("datos", data.get("datos_disponibles", data))
            if isinstance(datos, dict):
                resumen = {}
                for k, v in datos.items():
                    if k in ["fuente", "timestamp", "archivo", "pais", "nota_inflacion"]:
                        continue
                    if isinstance(v, dict):
                        val = v.get("valor_formateado", v.get("valor", str(v)))
                        resumen[k] = fmt_valor(k, val)
                    elif not isinstance(v, (list, dict)):
                        resumen[k] = fmt_valor(k, v)
                parts.append(f"[{label}]: " + ", ".join(f"{k}={v}" for k, v in list(resumen.items())[:10]))
            else:
                parts.append(f"[{label}]: {str(datos)[:300]}")
        except Exception as e:
            if tool_name != "read_inegi":
                parts.append(f"[{label}]: Error procesando - {e}")

    # Agregar INEGI consolidado
    if inegi_parts:
        parts.append("[INEGI]: " + " | ".join(inegi_parts))

    return "\n".join(parts)


def validate_response(response: str, data_context: str, question: str = "") -> str:
    """
    Validacion en 2 pasos:
    1. Critic-Loop Python -- verificacion matematica deterministica (~1ms)
    2. LLaMA 8B -- validacion semantica y de fuentes
    """
    raw_data = load_raw_data_for_validation()
    final, iterations, n_errors = critic_loop(
        draft=response,
        question=question,
        raw_data=raw_data,
        call_model_fn=call_model,
        model=MODEL_VALIDATOR,
        system_prompt=SYSTEM_STRICT,
    )
    response = final

    msgs = [
        {"role": "system", "content": PROMPT_VALIDATOR},
        {"role": "user",   "content": f"DATOS REALES:\n{data_context}\n\nRESPUESTA A VALIDAR:\n{response}"}
    ]
    validated, error = call_model(MODEL_VALIDATOR, msgs, max_tokens=800)
    if error or not validated:
        return response
    return validated


def synthesize_response(data_context: str, question: str, placeholder=None) -> str:
    """LLaMA 70B redacta la respuesta final bilingue."""
    if placeholder:
        placeholder.markdown("*Redactando respuesta final...*")

    lang_hint = "en inglés" if any(
        w in question.lower() for w in ["what","how","when","where","why","which","is","are","the"]
    ) else "en español"

    msgs = [
        {"role": "system", "content": SYSTEM_STRICT},
        {"role": "user",   "content":
            f"Con estos datos reales, responde la pregunta {lang_hint}. "
            f"Menciona la fuente y fecha de cada dato. "
            f"Formato profesional y claro.\n\n"
            f"DATOS:\n{data_context}\n\n"
            f"PREGUNTA: {question}"
        }
    ]
    answer, error = call_model(MODEL_SYNTHESIS, msgs, max_tokens=700)
    if error or not answer:
        return f"⚠️ Error en síntesis: {error}"
    return answer


# --- Orquestador principal --------------------------------------------------------

def call_llm_with_tools(messages: list, stream_placeholder=None) -> str:
    if not NVIDIA_API_KEY:
        return "⚠️ Configura NVIDIA_API_KEY en Settings → Secrets."

    user_question = messages[-1].get("content", "") if messages else ""

    # -- CACHE SEMANTICO -- antes de cualquier procesamiento ----------------------
    cached = get_cached(user_question)
    if cached:
        if stream_placeholder:
            stream_placeholder.markdown(cached)
        return cached

    # -- TRAZA DE OBSERVABILIDAD --------------------------------------------------
    global _current_trace
    trace = QueryTrace(user_question)
    _current_trace = trace

    # -- PASO 0: Pre-clasificacion Python (sin LLM) --------------------------------
    import re as _re_orch
    q_lower = user_question.lower()

    # -- INEGI: detectar keywords -> responder directo con read_inegi -------------
    # v4.2 FIX: se elimino la instruccion hardcodeada que forzaba al LLM a buscar
    # "128,455,567" -- esa instruccion sesgaba la respuesta sin importar el dato
    # real devuelto por read_inegi(). Ahora se pasan los datos reales (poblacion,
    # IGAE, PIB trimestral, INPC, tasa de desocupacion, inflacion, etc.) sin
    # ninguna instruccion que prejuzgue el contenido.
    is_inegi = any(k in q_lower for k in INEGI_KEYWORDS)
    if is_inegi:
        if stream_placeholder:
            stream_placeholder.markdown("*Consulta INEGI → Dataset HF en tiempo real...*")
        trace.set_route("INEGI")
        trace.add_tool("read_inegi")

        # Detectar indicador específico para llamar read_inegi con precisión
        # en vez de cargar el JSON completo con "todos" (399 registros = demasiado para el LLM)
        # ORDEN IMPORTANTE: específicos primero, genéricos después
        if any(k in q_lower for k in ["igae", "actividad economica", "actividad económica"]):
            indicador_inegi = "igae"
        elif any(k in q_lower for k in ["pib trimestral", "producto interno bruto trimestral"]):
            indicador_inegi = "pib_trimestral"
        elif any(k in q_lower for k in ["tasa de desocupacion", "tasa de desocupación", "desocupacion", "desocupación"]):
            indicador_inegi = "tasa_desocupacion"
        elif any(k in q_lower for k in ["inflacion general", "inflación general"]):
            indicador_inegi = "inflacion_general"
        elif any(k in q_lower for k in ["inflacion subyacente", "inflación subyacente"]):
            indicador_inegi = "inflacion_subyacente"
        elif any(k in q_lower for k in ["inpc subyacente", "índice nacional de precios subyacente"]):
            indicador_inegi = "inpc_subyacente"
        elif any(k in q_lower for k in ["inpc", "precios al consumidor", "indice de precios", "índice de precios"]):
            # INPC genérico va después de INPC subyacente para evitar captura prematura
            indicador_inegi = "precios"
        elif any(k in q_lower for k in ["ocupacion", "ocupados", "ocupada", "empleo", "trabajan", "personas trabajan", "personas ocupadas"]):
            # ocupacion va antes de poblacion para que "personas trabajan" no active poblacion
            indicador_inegi = "ocupacion"
        elif any(k in q_lower for k in ["poblacion", "población", "habitantes", "personas hay", "cuantas personas", "cuántas personas"]):
            indicador_inegi = "poblacion"
        else:
            indicador_inegi = "todos"

        raw_inegi = execute_tool("read_inegi", {"indicador": indicador_inegi})

        # v4.3 FIX: si read_inegi() falla, el error NUNCA se manda al LLM de
        # síntesis -- antes el LLM "suavizaba" errores técnicos (401, descarga
        # fallida, etc.) convirtiéndolos en disculpas genéricas tipo "no tengo
        # información", ocultando el fallo real. Ahora se corta el pipeline
        # y se muestra el error técnico exacto (stage + tipo + mensaje) para
        # poder diagnosticarlo de inmediato.
        try:
            inegi_check = json.loads(raw_inegi)
        except Exception:
            inegi_check = {"error": "respuesta de read_inegi no es JSON válido", "raw": raw_inegi[:300]}

        if isinstance(inegi_check, dict) and inegi_check.get("error"):
            stage_info = inegi_check.get("stage", "desconocida")
            error_type = inegi_check.get("error_type", "")
            error_msg  = inegi_check.get("error", "error desconocido")
            result_inegi = (
                f"⚠️ No fue posible consultar INEGI en este momento.\n\n"
                f"**Detalle técnico:** `{error_type}` en etapa `{stage_info}`\n\n"
                f"`{error_msg}`\n\n"
                f"Este es un error de la integración técnica, no significa que el dato no exista. "
                f"Reintenta en unos segundos o revisa Administración → Debug INEGI."
            )
            if stream_placeholder:
                stream_placeholder.markdown(result_inegi)
            trace.finish()
            _current_trace = None
            # No cachear errores -- para que el próximo intento sí re-ejecute
            return result_inegi

        # Formatear dato INEGI en lenguaje natural para que el LLM no confunda
        # el JSON tecnico con "dato no publicado"
        try:
            inegi_parsed = json.loads(raw_inegi)
            if inegi_parsed.get("ok") and inegi_parsed.get("valor") is not None:
                nombre   = inegi_parsed.get("nombre", inegi_parsed.get("indicador", "indicador"))
                valor    = inegi_parsed.get("valor")
                fecha    = inegi_parsed.get("fecha", "N/A")
                unidad   = inegi_parsed.get("unidad", "")
                fuente   = inegi_parsed.get("fuente", "INEGI BIE-BISE")
                var_pct  = inegi_parsed.get("variacion_pct")
                var_str  = f", variacion anual: {var_pct:+.4f}%" if var_pct is not None else ""
                inegi_context = (
                    f"DATO OFICIAL INEGI DISPONIBLE:\n"
                    f"Indicador: {nombre}\n"
                    f"Valor: {valor}\n"
                    f"Fecha: {fecha}\n"
                    f"Unidad: {unidad}\n"
                    f"Fuente: {fuente}{var_str}\n"
                    f"Dataset: Fercor95mx/mx-data-truth-inegi (verificado)\n\n"
                    f"INSTRUCCION: El dato EXISTE y esta disponible arriba. "
                    f"Usalo EXACTAMENTE como aparece — valor={valor}, fecha={fecha}."
                )
            else:
                inegi_context = f"DATO INEGI:\n{raw_inegi[:1000]}"
        except Exception:
            inegi_context = f"DATO INEGI:\n{raw_inegi[:1000]}"

        msgs_inegi = [
            {"role": "system", "content": SYSTEM_STRICT},
            {"role": "user", "content":
                f"{inegi_context}\n\n"
                f"Responde la siguiente pregunta usando EXCLUSIVAMENTE el dato mostrado arriba. "
                f"Menciona el valor exacto, la fecha y la fuente. Responde en espanol.\n\n"
                f"PREGUNTA: {user_question}"
            }
        ]
        answer_inegi, _ = call_model(MODEL_SYNTHESIS, msgs_inegi, max_tokens=500)
        result_inegi = answer_inegi or raw_inegi[:500]
        if stream_placeholder:
            stream_placeholder.markdown(result_inegi)
        trace.finish()
        _current_trace = None
        set_cached(user_question, result_inegi)
        return result_inegi

    # -- WORLD BANK: detectar keywords -> responder directo con read_worldbank ----
    WB_KEYWORDS = [
        "exportaciones", "exportacion", "importaciones", "importacion",
        "world bank", "banco mundial", "worldbank", "remesas",
        "deuda publica", "deuda pública", "pobreza", "desigualdad",
        "co2", "emisiones", "area forestal", "electricidad acceso",
        "control corrupcion", "efectividad gobierno",
        "sp.pop.totl", "indicadores world bank", "indicadores banco mundial",
        "resumen world bank", "resumen banco mundial",
    ]
    is_worldbank = any(k in q_lower for k in WB_KEYWORDS)
    if is_worldbank:
        if stream_placeholder:
            stream_placeholder.markdown("*Consulta World Bank → bucket directo...*")
        if any(k in q_lower for k in ["exportacion", "importacion", "remesa", "cuenta corriente", "comercio"]):
            cat_wb = "comercio"
        elif any(k in q_lower for k in ["pobreza", "poblacion", "desempleo", "alfabetizacion", "social"]):
            cat_wb = "social"
        elif any(k in q_lower for k in ["co2", "emision", "forestal", "energia", "electricidad"]):
            cat_wb = "medio_ambiente"
        elif any(k in q_lower for k in ["corrupcion", "gobierno", "gobernanza"]):
            cat_wb = "gobernanza"
        elif any(k in q_lower for k in ["energia", "petroleo"]):
            cat_wb = "energia"
        else:
            cat_wb = "todos"
        raw = execute_tool("read_worldbank", {"categoria": cat_wb})
        if any(k in q_lower for k in ["poblacion", "población", "personas", "habitantes"]):
            raw_social = execute_tool("read_worldbank", {"categoria": "social"})
            raw = raw + "\n[SOCIAL WB]:\n" + raw_social
        trace.set_route("WORLDBANK")
        trace.add_tool("read_worldbank")
        result_wb = synthesize_response(raw[:3000], user_question, stream_placeholder)
        trace.finish()
        set_cached(user_question, result_wb)
        return result_wb

    # -- TELCO: detectar keywords IFT -> responder directo con read_ift -----------
    is_telco = any(k in q_lower for k in TELCO_KEYWORDS)
    if is_telco:
        if stream_placeholder:
            stream_placeholder.markdown("*Consulta telco → IFT datos abiertos...*")
        is_cross = any(k in q_lower for k in [
            "relacion", "relación", "entre", "compara", "vs", "versus",
            "y el", "e ingreso", "e ingresos", "analisis", "análisis", "resumen"
        ])
        if is_cross:
            categoria_ift = "todo"
        elif any(k in q_lower for k in ["5g", "4g", "lte", "cobertura"]):
            categoria_ift = "cobertura_5g"
        elif any(k in q_lower for k in ["participacion", "participación", "mercado", "lineas", "líneas"]):
            categoria_ift = "participacion_mercado_movil"
        elif any(k in q_lower for k in ["ingres", "revenue", "factur"]):
            categoria_ift = "ingresos"
        elif any(k in q_lower for k in ["portabilidad"]):
            result_port = (
                "**Portabilidad Numérica México — Datos verificados H1 2025**\n\n"
                "| Operador | Saldo H1 2025 | Resultado |\n"
                "|---|---|---|\n"
                "| Movistar | **+32,667 líneas** | Positivo — mejor operador red propia |\n"
                "| Bait (OMV) | **+244,024 líneas** | Positivo — líder captación total |\n"
                "| Telcel | Desaceleración 42% vs 2024 | Disputado |\n"
                "| AT&T | **-752,664 líneas** | Negativo severo |\n\n"
                "**Fuente:** Consolidado semestral IFT, reportado julio 2025 "
                "(H1 = enero-junio 2025 — distinto al reporte Q1 enero-marzo)\n\n"
                "Para datos por trimestre o más recientes consulta: "
                "https://www.ift.org.mx/usuarios-y-audiencias/portabilidad-numerica"
            )
            if stream_placeholder:
                stream_placeholder.markdown(result_port)
            trace.set_route("TELCO_PORTABILIDAD")
            trace.finish()
            _current_trace = None
            set_cached(user_question, result_port)
            return result_port
        elif any(k in q_lower for k in ["tv", "television", "televisión", "restringida"]):
            categoria_ift = "television"
        elif any(k in q_lower for k in ["regulacion", "regulación", "aep", "preponderante"]):
            categoria_ift = "regulacion"
        elif any(k in q_lower for k in ["banda ancha", "internet fijo"]):
            categoria_ift = "internet_fijo"
        else:
            categoria_ift = "todo"
        raw = execute_tool("read_ift", {"categoria": categoria_ift})
        trace.set_route("TELCO")
        trace.add_tool("read_ift")
        result_telco = synthesize_response(raw[:2000], user_question, stream_placeholder)
        trace.finish()
        set_cached(user_question, result_telco)
        return result_telco

    # -- HISTORICO: detectar año o keywords estadisticos -> forzar NUMERICA -------
    years_found   = _re_orch.findall(r"\b(202[0-9])\b", user_question)
    is_historical = bool(years_found) or any(k in q_lower for k in [
        "promedio", "histórico", "historico", "average", "mínimo", "minimo",
        "máximo", "maximo", "tendencia", "trend", "durante", "evolución",
        "evolucion", "estadísticas", "estadisticas", "statistics",
        "sf43718", "sf43783", "sf61745", "sp1", "serie", "2024", "2025"
    ])

    # -- PASO 1: Clasificador LLaMA 8B ---------------------------------------------
    if stream_placeholder:
        stream_placeholder.markdown("*Clasificando pregunta...*")

    if is_historical:
        complexity = "NUMERICA"
    else:
        complexity = classify_question(user_question)

    # -- PASO 2A: SIMPLE -> bucket directo -----------------------------------------
    if complexity == "SIMPLE":
        if stream_placeholder:
            stream_placeholder.markdown("*Consulta simple → bucket directo...*")
        trace.set_route("SIMPLE")
        q = user_question.lower()
        if any(k in q for k in ["poblacion", "población", "personas hay", "habitantes",
                                   "igae", "ocupacion", "ocupados", "inegi", "inpc",
                                   "desocupacion", "desocupación"]):
            raw = execute_tool("read_inegi", {"indicador": "todos"})
        elif any(k in q for k in ["tipo de cambio", "exchange", "usd", "mxn", "tasa", "tiie", "inflacion", "inflación"]):
            raw = execute_tool("read_banxico", {"indicador": "todos"})
        elif any(k in q for k in ["pib", "gdp", "exportaciones", "exportacion", "importaciones",
                                   "importacion", "deuda", "desempleo", "remesas", "world bank",
                                   "banco mundial", "crecimiento", "pobreza"]):
            raw = execute_tool("read_worldbank", {"categoria": "todos"})
        else:
            raw = execute_tool("read_banxico", {"indicador": "todos"})
        context = raw[:1500]
        result = synthesize_response(context, user_question, stream_placeholder)
        trace.add_tool("read_banxico" if "banxico" in q else "read_worldbank" if "pib" in q else "read_inegi")
        trace.finish()
        _current_trace = None
        set_cached(user_question, result)
        return result

    # -- PASO 2B: NUMERICA -> LLaMA 70B + historico --------------------------------
    if complexity == "NUMERICA":
        if stream_placeholder:
            stream_placeholder.markdown("*Pregunta numérica → histórico...*")
        trace.set_route("NUMERICA")
        trace.start_stage("historico")

        q = user_question.lower()
        if any(k in q for k in ["tiie", "interbancaria", "sf43783"]):
            serie_hist = "SF43783"
        elif any(k in q for k in ["tasa objetivo", "objetivo", "sf61745"]):
            serie_hist = "SF61745"
        elif any(k in q for k in ["inflacion", "inflación", "ipc", "sp1"]):
            serie_hist = "SP1"
        else:
            serie_hist = "SF43718"

        if stream_placeholder:
            stream_placeholder.markdown("*🔍 Búsqueda semántica ChromaDB · NVIDIA NIM H100...*")
        historico_raw = execute_tool("search_historico", {"serie": serie_hist, "query": user_question})

        try:
            import json as _json
            import re as _re2
            hist_data = _json.loads(historico_raw)
            registros = hist_data.get("resultados", [])
            valores   = []
            for r in registros:
                try:
                    v = str(r.get("valor", "")).split(" ")[0].replace(",", "")
                    valores.append(float(v))
                except Exception:
                    pass

            if valores:
                stats_calc = {
                    "promedio": round(sum(valores)/len(valores), 4),
                    "minimo":   round(min(valores), 4),
                    "maximo":   round(max(valores), 4),
                    "primero":  valores[0],
                    "ultimo":   valores[-1],
                    "total":    len(valores),
                }
            else:
                stats_calc = hist_data.get("estadisticas", {})

            años = hist_data.get("años", _re2.findall(r"\b(202[0-9])\b", user_question))
            historico = (
                f"Serie: {hist_data.get('nombre', serie_hist)}\n"
                f"Período consultado: {años}\n"
                f"Total registros: {stats_calc.get('total', len(registros))}\n"
                f"Promedio: {stats_calc.get('promedio')}\n"
                f"Mínimo: {stats_calc.get('minimo')}\n"
                f"Máximo: {stats_calc.get('maximo')}\n"
                f"Primer valor: {stats_calc.get('primero')}\n"
                f"Último valor: {stats_calc.get('ultimo')}\n"
                f"Fuente: {hist_data.get('fuente', 'Banxico SIE API · Histórico')}"
            )
        except Exception:
            historico = historico_raw[:1500]

        msgs = [
            {"role": "system", "content": SYSTEM_STRICT},
            {"role": "user",   "content":
                f"DATOS HISTÓRICOS EXACTOS:\n{historico}\n\n"
                f"USA ESTOS DATOS para responder.\n"
                f"PREGUNTA: {user_question}"
            }
        ]
        answer, error = call_model_groq(MODEL_NUMERICAL, msgs, max_tokens=700)
        if error:
            return f"⚠️ Error numérico: {error}"

        if stream_placeholder:
            stream_placeholder.markdown("*Validando datos...*")
        validated = validate_response(answer, historico[:500], user_question)
        if stream_placeholder:
            stream_placeholder.markdown(validated)
        return validated

    # -- PASO 2C: NARRATIVA multi-fuente -> paralelo + LLaMA 70B -------------------
    if needs_multi_source(user_question):
        try:
            loop = asyncio.get_event_loop()
            if loop.is_closed():
                loop = asyncio.new_event_loop()
                asyncio.set_event_loop(loop)
            context = loop.run_until_complete(prefetch_all_parallel(stream_placeholder))
        except Exception:
            parts = []
            for tool, args in [("read_banxico",   {"indicador": "todos"}),
                               ("read_worldbank", {"categoria": "economia"}),
                               ("read_inegi",     {"indicador": "todos"})]:
                parts.append(execute_tool(tool, args)[:500])
            context = "\n".join(parts)

        trace.set_route("NARRATIVA")
        if stream_placeholder:
            stream_placeholder.markdown("*Analizando con LLaMA 70B...*")

        msgs = [
            {"role": "system", "content": SYSTEM_STRICT},
            {"role": "user",   "content":
                f"DATOS REALES DE LAS 3 FUENTES:\n{context}\n\n"
                f"PREGUNTA: {user_question}"
            }
        ]
        narrative, error = call_model(MODEL_NARRATIVE, msgs, max_tokens=700)
        if error:
            narrative = context

        final     = synthesize_response(context, user_question, stream_placeholder)
        if stream_placeholder:
            stream_placeholder.markdown("*Validando respuesta...*")
        validated = validate_response(final, context[:500], user_question)
        if stream_placeholder:
            stream_placeholder.markdown(validated)
        return validated

    # -- PASO 2D: NARRATIVA mono-fuente -> tool calling con LLaMA 70B --------------
    headers = {
        "Authorization": f"Bearer {NVIDIA_API_KEY}",
        "Content-Type":  "application/json",
    }
    msgs_trimmed     = messages[-4:] if len(messages) > 4 else messages
    current_messages = [{"role": "system", "content": SYSTEM_STRICT}] + msgs_trimmed
    tool_results     = []

    for iteration in range(5):
        payload = {
            "model":       MODEL_NARRATIVE,
            "messages":    current_messages,
            "tools":       TOOLS,
            "tool_choice": "auto",
            "temperature": 0.1,
            "max_tokens":  700,
            "stream":      False,
        }
        if stream_placeholder:
            stream_placeholder.markdown(f"*LLaMA 70B consultando... (iter {iteration+1})*")

        try:
            r = requests.post(
                f"{NVIDIA_BASE_URL}/chat/completions",
                headers=headers,
                json=payload,
                timeout=180,
            )
            r.raise_for_status()
            response = r.json()
        except requests.exceptions.HTTPError as e:
            if "400" in str(e) and tool_results:
                fallback = synthesize_response("\n".join(tool_results), user_question, stream_placeholder)
                return validate_response(fallback, "\n".join(tool_results[:2]))
            return f"⚠️ Error HTTP: {e}"
        except Exception as e:
            return f"⚠️ Error: {e}"

        choice        = response["choices"][0]
        finish_reason = choice.get("finish_reason", "")
        message       = choice["message"]

        if finish_reason == "stop" or not message.get("tool_calls"):
            answer    = message.get("content", "Sin respuesta.")
            validated = validate_response(answer, "\n".join(tool_results[:2]) if tool_results else "", user_question)
            if stream_placeholder:
                stream_placeholder.markdown(validated)
            return validated

        tool_calls = message.get("tool_calls", [])
        current_messages.append({
            "role":       "assistant",
            "content":    message.get("content", ""),
            "tool_calls": tool_calls,
        })

        for tc in tool_calls:
            tool_name = tc["function"]["name"]
            try:
                tool_args = json.loads(tc["function"]["arguments"])
            except Exception:
                tool_args = {}
            if stream_placeholder:
                stream_placeholder.markdown(f"*Ejecutando: {tool_name}...*")
            if tool_name == "search_historico" and "query" not in tool_args:
                tool_args["query"] = user_question
            result = execute_tool(tool_name, tool_args)
            if len(result) > 1500:
                result = result[:1500] + " [truncado]"
            tool_results.append(f"[{tool_name}]: {result[:500]}")
            current_messages.append({
                "role":         "tool",
                "tool_call_id": tc["id"],
                "name":         tool_name,
                "content":      result,
            })

    return "⚠️ Se alcanzó el límite de iteraciones."


def run_agent(user_question: str, history: list = None, stream_placeholder=None) -> str:
    if history is None:
        history = []
    messages = history + [{"role": "user", "content": user_question}]
    return call_llm_with_tools(messages, stream_placeholder)


if __name__ == "__main__":
    preguntas = [
        "¿Cuál es el tipo de cambio hoy?",
        "¿Cuál fue el tipo de cambio en enero 2025?",
        "¿Cuál es la participación de mercado de Telcel?",
        "Dame un análisis económico completo de México cruzando Banxico, World Bank e INEGI",
    ]
    for p in preguntas:
        print(f"\nP: {p}")
        print(f"R: {run_agent(p)}")