Spaces:
Sleeping
Sleeping
File size: 16,363 Bytes
24431ef | 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 | """
Capa 3 · Critic-Loop — Agente Evaluador Matemático
====================================================
Implementa el pipeline: Generador → Evaluador → Corrección → Respuesta Final
Arquitectura:
[Respuesta borrador del LLM]
↓
[EVALUADOR Python — verificación matemática instantánea]
↓
[¿Hay errores?] — Sí → [LLaMA 8B reescribe con feedback específico]
↓ No
[Respuesta Final]
El evaluador Python es determinístico — no usa LLM para detectar errores numéricos.
El LLM solo se usa para REESCRIBIR si hay error detectado.
Máximo 2 iteraciones para evitar loops infinitos.
"""
import re
import json
import os
from datetime import datetime
DATA_PATH = "/data"
ERROR_LOG = os.path.join(DATA_PATH, "error_catalog.json")
MAX_ITER = 2 # máximo de reintentos
# ─── Catálogo de errores conocidos ───────────────────────────────────────────
# Se carga al inicio y se actualiza cuando el evaluador detecta errores nuevos.
def load_error_catalog() -> dict:
"""Carga el catálogo de errores conocidos desde /data/error_catalog.json."""
try:
if os.path.exists(ERROR_LOG):
with open(ERROR_LOG, "r", encoding="utf-8") as f:
return json.load(f)
except Exception:
pass
return {
"version": "1.0",
"actualizado": datetime.now().isoformat(),
"reglas_escala": [
{
"id": "SCALE_001",
"patron": r"\b(\d+[\.,]?\d*)\s*billones?\s+USD\b",
"descripcion": "billion en inglés = mil millones en español, NO billón",
"ejemplo_mal": "681.35 billones USD",
"ejemplo_bien": "681 mil millones USD",
"detectado": 0,
},
{
"id": "SCALE_002",
"patron": r"inflaci[oó]n[^.]*?(\d+[\.,]\d+)\s*%[^.]*?[ií]ndice",
"descripcion": "INPC es índice base 2018=100, NO porcentaje de inflación",
"ejemplo_mal": "inflación de 127.5%",
"ejemplo_bien": "INPC índice: 127.5 (base 2018=100)",
"detectado": 0,
},
],
"errores_detectados": [],
}
def save_error_catalog(catalog: dict):
"""Guarda el catálogo actualizado."""
try:
os.makedirs(DATA_PATH, exist_ok=True)
catalog["actualizado"] = datetime.now().isoformat()
with open(ERROR_LOG, "w", encoding="utf-8") as f:
json.dump(catalog, f, ensure_ascii=False, indent=2)
except Exception:
pass
# ─── Verificadores matemáticos Python (determinísticos) ─────────────────────
def _check_scale_billions(text: str, raw_data: dict) -> list:
"""
Verifica que los valores USD del World Bank estén en la escala correcta.
Un 'billion' USD = 1,000 millones USD (NO 1 billón en español).
"""
errors = []
# Patrones de error: número seguido de "billones USD" cuando debería ser "mil millones"
patron_error = re.compile(
r'(\d{1,4}(?:[\.,]\d+)?)\s*billones?\s+(?:de\s+)?USD',
re.IGNORECASE
)
for match in patron_error.finditer(text):
valor_str = match.group(1).replace(',', '.')
try:
valor = float(valor_str)
# Si el valor está entre 1 y 9999, probablemente es "miles de millones"
# mal expresado como "billones"
if 1 <= valor <= 9999:
# Verificar contra datos reales si están disponibles
context = text[max(0, match.start()-50):match.end()+50]
errors.append({
"tipo": "SCALE_001",
"texto": match.group(0),
"valor": valor,
"contexto": context.strip(),
"feedback": (
f"ERROR DE ESCALA: '{match.group(0)}' usa 'billones' incorrectamente. "
f"En español mexicano, {valor:.0f} billion USD = "
f"{valor:.0f} mil millones USD (NO {valor:.0f} billones). "
f"Reescribe usando 'mil millones USD'."
)
})
except ValueError:
pass
return errors
def _check_inpc_as_pct(text: str) -> list:
"""
Verifica que el INPC no se presente como porcentaje de inflación.
El INPC es un índice base 2018=100, no un porcentaje.
"""
errors = []
# Detectar cuando se menciona inflación con valor > 50% (imposible — sería el índice)
patron = re.compile(
r'inflaci[oó]n[^.]{0,50}?(\d{2,3}[\.,]\d+)\s*%',
re.IGNORECASE
)
for match in patron.finditer(text):
try:
valor = float(match.group(1).replace(',', '.'))
if valor > 20: # inflación > 20% es sospechosa — probablemente es el índice
errors.append({
"tipo": "SCALE_002",
"texto": match.group(0),
"valor": valor,
"feedback": (
f"ERROR INPC: '{match.group(0)}' presenta el INPC como porcentaje. "
f"El valor {valor} es el ÍNDICE INPC base 2018=100, NO el porcentaje de inflación. "
f"Reescribe indicando que es el índice, no la tasa de inflación anual."
)
})
except ValueError:
pass
return errors
def _check_tiie_hallucination(text: str, raw_data: dict) -> list:
"""
Verifica que los valores de TIIE o tasa objetivo sean coherentes
con los datos del bucket.
"""
errors = []
# Obtener valor real de tasa del bucket
tasa_real = None
tiie_real = None
try:
banxico = raw_data.get("banxico", {})
tasa_real = float(banxico.get("tasa_objetivo", banxico.get("SF61745", 0)) or 0)
tiie_real = float(banxico.get("tiie_28_dias", banxico.get("SF43783", 0)) or 0)
except Exception:
pass
if not tasa_real:
return errors
# Buscar menciones de la tasa en el texto
patron_tasa = re.compile(
r'tasa\s+objetivo[^.]{0,30}?(\d+[\.,]\d+)\s*%',
re.IGNORECASE
)
for match in patron_tasa.finditer(text):
try:
valor_texto = float(match.group(1).replace(',', '.'))
# Tolerancia de 0.5% — diferencias mayores son sospechosas
if abs(valor_texto - tasa_real) > 0.5:
errors.append({
"tipo": "DATA_001",
"texto": match.group(0),
"valor": valor_texto,
"real": tasa_real,
"feedback": (
f"ERROR DATOS: La tasa objetivo mencionada es {valor_texto}% "
f"pero el dato real del bucket es {tasa_real}%. "
f"Corrige usando el valor exacto del bucket: {tasa_real}%."
)
})
except ValueError:
pass
return errors
def _check_math_operations(text: str) -> list:
"""
Verifica operaciones matemáticas simples expresadas en el texto.
Ej: "X representa el Y% de Z" → verifica que X/Z ≈ Y/100
"""
errors = []
# Patrón: "X millones MXN, lo que representa el Y% de Z millones"
patron = re.compile(
r'([\d,\.]+)\s*millones[^,]{0,60}?representa[^.]{0,60}?(\d+[\.,]\d+)\s*%[^.]{0,60}?([\d,\.]+)\s*millones',
re.IGNORECASE
)
for match in patron.finditer(text):
try:
parte = float(match.group(1).replace(',', '').replace('.', '')) if ',' in match.group(1) else float(match.group(1))
pct = float(match.group(2).replace(',', '.'))
total = float(match.group(3).replace(',', '').replace('.', '')) if ',' in match.group(3) else float(match.group(3))
if total > 0:
pct_calc = (parte / total) * 100
if abs(pct_calc - pct) > 1.0: # tolerancia 1%
errors.append({
"tipo": "MATH_001",
"texto": match.group(0),
"feedback": (
f"ERROR MATEMÁTICO: {parte:,.0f}/{total:,.0f} = {pct_calc:.1f}%, "
f"pero el texto dice {pct}%. Corrige el porcentaje."
)
})
except (ValueError, ZeroDivisionError):
pass
return errors
# ─── Evaluador principal ─────────────────────────────────────────────────────
def evaluate_response(text: str, raw_data: dict = None) -> dict:
"""
Evaluador determinístico Python. Detecta errores sin llamar a LLM.
Args:
text: Respuesta borrador del LLM generador
raw_data: Dict con datos crudos del bucket para verificación cruzada
Returns:
{
"valid": bool,
"errors": [...],
"feedback": str # mensaje consolidado para el LLM corrector
}
"""
if raw_data is None:
raw_data = {}
all_errors = []
all_errors.extend(_check_scale_billions(text, raw_data))
all_errors.extend(_check_inpc_as_pct(text))
all_errors.extend(_check_tiie_hallucination(text, raw_data))
all_errors.extend(_check_math_operations(text))
if not all_errors:
return {"valid": True, "errors": [], "feedback": ""}
# Consolidar feedback
feedbacks = list({e["feedback"] for e in all_errors}) # deduplicar
feedback_msg = "\n".join(f"• {f}" for f in feedbacks)
# Registrar en catálogo
_log_errors(all_errors)
return {
"valid": False,
"errors": all_errors,
"feedback": feedback_msg,
"count": len(all_errors),
}
def _log_errors(errors: list):
"""Registra errores detectados en el catálogo para análisis posterior."""
try:
catalog = load_error_catalog()
for err in errors:
# Actualizar contador de regla
for regla in catalog.get("reglas_escala", []):
if regla.get("id") == err.get("tipo"):
regla["detectado"] = regla.get("detectado", 0) + 1
# Agregar al log de errores detectados (máx 100)
catalog["errores_detectados"].append({
"timestamp": datetime.now().isoformat(),
"tipo": err.get("tipo"),
"texto": err.get("texto", "")[:100],
})
# Mantener solo los últimos 100
catalog["errores_detectados"] = catalog["errores_detectados"][-100:]
save_error_catalog(catalog)
except Exception:
pass
# ─── Loop completo: Generador → Evaluador → Corrector ────────────────────────
def critic_loop(
draft: str,
question: str,
raw_data: dict,
call_model_fn, # función call_model del orquestador
model: str,
system_prompt: str,
) -> tuple:
"""
Ejecuta el loop Generador → Evaluador → Corrector.
Args:
draft: Respuesta borrador del LLM
question: Pregunta original del usuario
raw_data: Datos crudos del bucket
call_model_fn: función call_model(model, messages, max_tokens)
model: Modelo a usar para corrección (LLaMA 8B)
system_prompt: System prompt del orquestador
Returns:
(respuesta_final: str, iteraciones: int, errores_detectados: int)
"""
current_draft = draft
total_errors = 0
for iteration in range(MAX_ITER):
# Paso 1: Evaluador Python (determinístico, ~1ms)
result = evaluate_response(current_draft, raw_data)
if result["valid"]:
# Sin errores — respuesta lista
return current_draft, iteration, total_errors
# Paso 2: Hay errores — LLM reescribe con feedback específico
total_errors += result["count"]
correction_prompt = (
f"Reescribe la siguiente respuesta corrigiendo SOLO los errores indicados. "
f"NO cambies los datos numéricos correctos. NO agregues información nueva.\n\n"
f"ERRORES A CORREGIR:\n{result['feedback']}\n\n"
f"RESPUESTA ORIGINAL:\n{current_draft}\n\n"
f"PREGUNTA ORIGINAL: {question}\n\n"
f"Devuelve SOLO la respuesta corregida, sin explicaciones."
)
msgs = [
{"role": "system", "content": system_prompt},
{"role": "user", "content": correction_prompt}
]
corrected, error = call_model_fn(model, msgs, max_tokens=800)
if error or not corrected:
# Si falla la corrección, devolver el borrador original
return current_draft, iteration + 1, total_errors
current_draft = corrected
# Máximo de iteraciones alcanzado — devolver última versión
return current_draft, MAX_ITER, total_errors
# ─── Helper para cargar datos del bucket ─────────────────────────────────────
def load_raw_data_for_validation() -> dict:
"""
Carga datos crudos del bucket para validación cruzada.
Solo carga lo necesario — no el histórico completo.
"""
result = {}
files = {
"banxico": os.path.join(DATA_PATH, "banxico.json"),
"worldbank": os.path.join(DATA_PATH, "worldbank.json"),
"ift": os.path.join(DATA_PATH, "ift.json"),
}
for key, path in files.items():
try:
if os.path.exists(path):
with open(path, "r", encoding="utf-8") as f:
result[key] = json.load(f)
except Exception:
pass
return result
# ─── Estado del catálogo de errores ──────────────────────────────────────────
def get_error_stats() -> dict:
"""Retorna estadísticas del catálogo para la UI de administración."""
catalog = load_error_catalog()
total = len(catalog.get("errores_detectados", []))
por_tipo = {}
for err in catalog.get("errores_detectados", []):
t = err.get("tipo", "UNKNOWN")
por_tipo[t] = por_tipo.get(t, 0) + 1
return {
"total_errores_detectados": total,
"por_tipo": por_tipo,
"reglas_activas": len(catalog.get("reglas_escala", [])),
"ultimo_error": catalog["errores_detectados"][-1] if catalog.get("errores_detectados") else None,
}
if __name__ == "__main__":
# Test del evaluador
print("🧪 Test Critic-Loop\n")
test_cases = [
{
"texto": "Las exportaciones de México en 2024 fueron de 681.35 billones USD según el World Bank.",
"esperado": "ERROR SCALE_001 detectado"
},
{
"texto": "La inflación en México fue del 127.5% según el INPC.",
"esperado": "ERROR SCALE_002 detectado"
},
{
"texto": "Las exportaciones de México fueron $681 mil millones USD. La tasa objetivo es 6.5%.",
"esperado": "Sin errores"
},
{
"texto": "Telcel generó 59,113 millones MXN, lo que representa el 39.8% de 148,541 millones.",
"esperado": "Sin errores (59113/148541 = 39.8% ✓)"
},
{
"texto": "Telcel generó 59,113 millones MXN, lo que representa el 55% de 148,541 millones.",
"esperado": "ERROR MATH_001 detectado (55% ≠ 39.8%)"
},
]
for i, case in enumerate(test_cases, 1):
result = evaluate_response(case["texto"], {})
status = "✅ VÁLIDO" if result["valid"] else f"❌ {len(result['errors'])} ERROR(ES)"
print(f"Test {i}: {status}")
print(f" Texto: {case['texto'][:80]}...")
print(f" Esperado: {case['esperado']}")
if not result["valid"]:
for err in result["errors"]:
print(f" → [{err['tipo']}] {err['feedback'][:100]}")
print() |