Fercor95mx commited on
Commit
9f2a463
·
verified ·
1 Parent(s): f085814

Update main.py

Browse files
Files changed (1) hide show
  1. main.py +185 -77
main.py CHANGED
@@ -20,6 +20,7 @@ app.add_middleware(
20
  NVIDIA_API_KEY = os.getenv("NVIDIA_API_KEY", "")
21
  BANXICO_TOKEN = os.getenv("BANXICO_TOKEN", "")
22
  GROQ_API_KEY = os.getenv("GROQ_API_KEY", "")
 
23
  NVIDIA_BASE_URL = "https://integrate.api.nvidia.com/v1"
24
  GROQ_BASE_URL = "https://api.groq.com/openai/v1"
25
 
@@ -29,20 +30,25 @@ BANXICO_SERIES = {
29
  "SF61745": "Tasa objetivo Banxico (%)",
30
  "SP74625": "Inflación general (índice)",
31
  "SF290383": "Reservas internacionales (MDD)",
 
 
 
32
  }
33
 
34
  WB_INDICATORS = {
35
- "NY.GDP.MKTP.CD": "PIB México (USD)",
36
- "FP.CPI.TOTL.ZG": "Inflación anual (%)",
37
- "SL.UEM.TOTL.ZS": "Desempleo (%)",
 
 
 
38
  }
39
 
40
- # ── Models ────────────────────────────────────────────────────────────────────
41
  class ChatRequest(BaseModel):
42
  query: str
43
  session_id: str = "mobile"
44
 
45
- # ── Helpers ───────────────────────────────────────────────────────────────────
46
  def fetch_banxico_serie(serie_id: str) -> dict:
47
  url = f"https://www.banxico.org.mx/SieAPIRest/service/v1/series/{serie_id}/datos/oportuno?token={BANXICO_TOKEN}"
48
  try:
@@ -50,20 +56,13 @@ def fetch_banxico_serie(serie_id: str) -> dict:
50
  r.raise_for_status()
51
  data = r.json()
52
  series = data.get("bmx", {}).get("series", [])
53
- if not series:
54
- return {"serie": serie_id, "nombre": BANXICO_SERIES.get(serie_id), "valor": None, "fecha": None}
55
  datos = series[0].get("datos", [])
56
- if not datos:
57
- return {"serie": serie_id, "nombre": BANXICO_SERIES.get(serie_id), "valor": None, "fecha": None}
58
  ultimo = datos[-1]
59
- return {
60
- "serie": serie_id,
61
- "nombre": BANXICO_SERIES.get(serie_id, serie_id),
62
- "valor": ultimo.get("dato"),
63
- "fecha": ultimo.get("fecha"),
64
- }
65
- except Exception as e:
66
- return {"serie": serie_id, "error": str(e)}
67
 
68
  def fetch_worldbank(indicator: str) -> dict:
69
  try:
@@ -72,88 +71,189 @@ def fetch_worldbank(indicator: str) -> dict:
72
  data = r.json()
73
  if len(data) > 1 and data[1]:
74
  entry = data[1][0]
75
- return {
76
- "nombre": WB_INDICATORS.get(indicator, indicator),
77
- "valor": entry.get("value"),
78
- "año": entry.get("date"),
79
- }
80
- except Exception as e:
81
- return {"nombre": WB_INDICATORS.get(indicator), "error": str(e)}
82
- return {}
83
 
84
- def get_context_data() -> str:
85
- """Obtiene datos reales y construye contexto para el LLM."""
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
86
  lines = ["=== DATOS REALES EN TIEMPO REAL — MÉXICO ===\n"]
87
 
88
  # Banxico
89
  lines.append("--- BANXICO (datos oficiales hoy) ---")
90
- for serie_id in BANXICO_SERIES:
 
 
 
 
 
 
 
 
91
  d = fetch_banxico_serie(serie_id)
92
  if d.get("valor"):
93
- lines.append(f"• {d['nombre']}: {d['valor']} (fecha: {d['fecha']})")
94
- else:
95
- lines.append(f"• {d['nombre']}: no disponible")
96
 
97
  # World Bank
98
- lines.append("\n--- WORLD BANK (datos más recientes) ---")
99
- for indicator in WB_INDICATORS:
 
 
 
 
 
 
 
 
100
  d = fetch_worldbank(indicator)
101
  if d.get("valor"):
102
- lines.append(f"• {d['nombre']}: {d['valor']} ({d.get('año','')})")
103
- else:
104
- lines.append(f"• {d['nombre']}: no disponible")
 
 
 
 
 
105
 
106
- # IFT Telco (hardcoded verificado)
107
  lines.append("\n--- IFT TELECOMUNICACIONES (Q1 2025 verificado) ---")
108
  lines.append("• Ingresos sector telco Q1 2025: 148,541 millones MXN")
109
  lines.append("• Total líneas móviles: 127.4 millones (Q3 2024)")
110
  lines.append("• Telcel (América Móvil): 63.4% participación")
111
  lines.append("• AT&T México: 17.5% participación")
112
- lines.append("• Movistar (Telefónica): 17.0% participación")
113
- lines.append("• Otros MVNOs: 2.1%")
114
  lines.append("• Cobertura 4G LTE: 92% población")
115
- lines.append("• Penetración 5G estimada: 3.5%")
116
  lines.append("• Portabilidad H1 2025: Bait líder captación (+244,024), AT&T mayor pérdida (-752,664)")
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
117
 
118
  lines.append("\n=== FIN DE DATOS REALES ===")
119
  return "\n".join(lines)
120
 
121
  def call_llm(prompt: str) -> dict:
122
- """Obtiene datos reales, los inyecta en el prompt y llama al LLM."""
123
- context = get_context_data()
124
 
125
  system_prompt = f"""Eres un experto en economía mexicana y telecomunicaciones de México.
126
- Tienes acceso a los siguientes datos REALES y ACTUALIZADOS obtenidos ahora mismo de fuentes oficiales:
127
 
128
  {context}
129
 
130
  REGLAS CRÍTICAS:
131
- 1. SIEMPRE usa los datos reales de arriba para responder — NUNCA digas "no tengo acceso a datos en tiempo real"
132
- 2. Si la pregunta es sobre TIIE, USD/MXN, inflación, reservas o tasa Banxico — usa los valores exactos de arriba
133
- 3. Si la pregunta es sobre telecomunicaciones — usa los datos IFT de arriba
134
- 4. Responde en español, de forma concisa y directa
135
- 5. Cita la fuente (Banxico, World Bank, IFT) al final de tu respuesta
136
- 6. Si el dato no está en los datos de arriba, dilo claramente sin inventar"""
 
 
137
 
138
- # Groq LPU primero — rápido
139
  if GROQ_API_KEY:
140
  try:
141
  start = time.time()
142
- headers = {
143
- "Authorization": f"Bearer {GROQ_API_KEY}",
144
- "Content-Type": "application/json"
145
- }
146
  payload = {
147
  "model": "llama-3.3-70b-versatile",
148
  "messages": [
149
  {"role": "system", "content": system_prompt},
150
  {"role": "user", "content": prompt}
151
  ],
152
- "max_tokens": 1024,
153
  "temperature": 0.2,
154
  }
155
- r = requests.post(f"{GROQ_BASE_URL}/chat/completions",
156
- headers=headers, json=payload, timeout=20)
157
  r.raise_for_status()
158
  data = r.json()
159
  latencia = int((time.time() - start) * 1000)
@@ -168,21 +268,17 @@ REGLAS CRÍTICAS:
168
  # Fallback NVIDIA NIM
169
  try:
170
  start = time.time()
171
- headers = {
172
- "Authorization": f"Bearer {NVIDIA_API_KEY}",
173
- "Content-Type": "application/json"
174
- }
175
  payload = {
176
  "model": "meta/llama-3.1-70b-instruct",
177
  "messages": [
178
  {"role": "system", "content": system_prompt},
179
  {"role": "user", "content": prompt}
180
  ],
181
- "max_tokens": 1024,
182
  "temperature": 0.2,
183
  }
184
- r = requests.post(f"{NVIDIA_BASE_URL}/chat/completions",
185
- headers=headers, json=payload, timeout=45)
186
  r.raise_for_status()
187
  data = r.json()
188
  latencia = int((time.time() - start) * 1000)
@@ -192,22 +288,18 @@ REGLAS CRÍTICAS:
192
  "latencia_ms": latencia,
193
  }
194
  except Exception as e:
195
- return {
196
- "respuesta": f"Error de inferencia: {e}",
197
- "modelo": "error",
198
- "latencia_ms": 0,
199
- }
200
 
201
  # ── Endpoints ─────────────────────────────────────────────────────────────────
202
-
203
  @app.get("/")
204
  def root():
205
  return {
206
  "name": "Fer Private AI · API",
207
- "version": "1.0.0",
208
  "status": "ok",
209
  "endpoints": ["/health", "/indicadores", "/telco", "/worldbank", "/chat"],
210
  "compute": "NVIDIA H100 · NIM + Groq LPU",
 
211
  "timestamp": datetime.utcnow().isoformat() + "Z",
212
  }
213
 
@@ -216,11 +308,11 @@ def health():
216
  return {
217
  "status": "ok",
218
  "timestamp": datetime.utcnow().isoformat() + "Z",
219
- "compute": "NVIDIA H100 · NIM",
220
  "secrets": {
221
  "NVIDIA_API_KEY": "✅" if NVIDIA_API_KEY else "❌",
222
  "BANXICO_TOKEN": "✅" if BANXICO_TOKEN else "❌",
223
  "GROQ_API_KEY": "✅" if GROQ_API_KEY else "❌",
 
224
  }
225
  }
226
 
@@ -229,8 +321,16 @@ def indicadores():
229
  if not BANXICO_TOKEN:
230
  raise HTTPException(status_code=503, detail="BANXICO_TOKEN no configurado")
231
  resultados = {}
232
- for serie_id in BANXICO_SERIES:
233
- resultados[serie_id] = fetch_banxico_serie(serie_id)
 
 
 
 
 
 
 
 
234
  return {
235
  "fuente": "Banxico SIE API",
236
  "timestamp": datetime.utcnow().isoformat() + "Z",
@@ -240,7 +340,7 @@ def indicadores():
240
  @app.get("/telco")
241
  def telco():
242
  return {
243
- "fuente": "IFT · Instituto Federal de Telecomunicaciones",
244
  "timestamp": datetime.utcnow().isoformat() + "Z",
245
  "mercado_movil": {
246
  "total_lineas_millones": 127.4,
@@ -259,9 +359,17 @@ def telco():
259
 
260
  @app.get("/worldbank")
261
  def worldbank():
 
 
 
 
 
 
 
262
  resultados = {}
263
- for indicator, nombre in WB_INDICATORS.items():
264
- resultados[indicator] = fetch_worldbank(indicator)
 
265
  return {
266
  "fuente": "World Bank API",
267
  "timestamp": datetime.utcnow().isoformat() + "Z",
 
20
  NVIDIA_API_KEY = os.getenv("NVIDIA_API_KEY", "")
21
  BANXICO_TOKEN = os.getenv("BANXICO_TOKEN", "")
22
  GROQ_API_KEY = os.getenv("GROQ_API_KEY", "")
23
+ TAVILY_API_KEY = os.getenv("TAVILY_API_KEY", "")
24
  NVIDIA_BASE_URL = "https://integrate.api.nvidia.com/v1"
25
  GROQ_BASE_URL = "https://api.groq.com/openai/v1"
26
 
 
30
  "SF61745": "Tasa objetivo Banxico (%)",
31
  "SP74625": "Inflación general (índice)",
32
  "SF290383": "Reservas internacionales (MDD)",
33
+ "SF43718": "Tipo de cambio USD/MXN (FIX)",
34
+ "SF60653": "INPC (Índice Nacional Precios Consumidor)",
35
+ "SF43784": "Tipo de cambio EUR/MXN",
36
  }
37
 
38
  WB_INDICATORS = {
39
+ "NY.GDP.MKTP.CD": "PIB México (USD)",
40
+ "NY.GDP.PCAP.CD": "PIB per cápita (USD)",
41
+ "FP.CPI.TOTL.ZG": "Inflación anual (%)",
42
+ "SL.UEM.TOTL.ZS": "Desempleo (%)",
43
+ "NE.EXP.GNFS.ZS": "Exportaciones (% PIB)",
44
+ "BX.KLT.DINV.WD.GD.ZS": "Inversión extranjera directa (% PIB)",
45
  }
46
 
 
47
  class ChatRequest(BaseModel):
48
  query: str
49
  session_id: str = "mobile"
50
 
51
+ # ── Data fetchers ─────────────────────────────────────────────────────────────
52
  def fetch_banxico_serie(serie_id: str) -> dict:
53
  url = f"https://www.banxico.org.mx/SieAPIRest/service/v1/series/{serie_id}/datos/oportuno?token={BANXICO_TOKEN}"
54
  try:
 
56
  r.raise_for_status()
57
  data = r.json()
58
  series = data.get("bmx", {}).get("series", [])
59
+ if not series: return {"valor": None, "fecha": None}
 
60
  datos = series[0].get("datos", [])
61
+ if not datos: return {"valor": None, "fecha": None}
 
62
  ultimo = datos[-1]
63
+ return {"valor": ultimo.get("dato"), "fecha": ultimo.get("fecha")}
64
+ except:
65
+ return {"valor": None, "fecha": None}
 
 
 
 
 
66
 
67
  def fetch_worldbank(indicator: str) -> dict:
68
  try:
 
71
  data = r.json()
72
  if len(data) > 1 and data[1]:
73
  entry = data[1][0]
74
+ return {"valor": entry.get("value"), "año": entry.get("date")}
75
+ except:
76
+ pass
77
+ return {"valor": None, "año": None}
 
 
 
 
78
 
79
+ def search_wikipedia(query: str) -> str:
80
+ """Busca en Wikipedia en español, fallback a inglés."""
81
+ try:
82
+ # Búsqueda en español
83
+ url = "https://es.wikipedia.org/api/rest_v1/page/summary/" + query.replace(" ", "_")
84
+ r = requests.get(url, timeout=10)
85
+ if r.status_code == 200:
86
+ data = r.json()
87
+ extract = data.get("extract", "")
88
+ if extract and len(extract) > 50:
89
+ return extract[:800]
90
+ except:
91
+ pass
92
+ try:
93
+ # Fallback a inglés
94
+ url = "https://en.wikipedia.org/api/rest_v1/page/summary/" + query.replace(" ", "_")
95
+ r = requests.get(url, timeout=10)
96
+ if r.status_code == 200:
97
+ data = r.json()
98
+ return data.get("extract", "")[:800]
99
+ except:
100
+ pass
101
+ return ""
102
+
103
+ def search_tavily(query: str) -> str:
104
+ """Búsqueda web en tiempo real vía Tavily."""
105
+ if not TAVILY_API_KEY:
106
+ return ""
107
+ try:
108
+ r = requests.post(
109
+ "https://api.tavily.com/search",
110
+ json={
111
+ "api_key": TAVILY_API_KEY,
112
+ "query": query + " México 2025",
113
+ "max_results": 3,
114
+ "search_depth": "basic",
115
+ },
116
+ timeout=10
117
+ )
118
+ if r.status_code == 200:
119
+ results = r.json().get("results", [])
120
+ snippets = []
121
+ for res in results[:3]:
122
+ title = res.get("title", "")
123
+ content = res.get("content", "")[:200]
124
+ snippets.append(f"• {title}: {content}")
125
+ return "\n".join(snippets)
126
+ except:
127
+ pass
128
+ return ""
129
+
130
+ def get_context_data(query: str) -> str:
131
+ """Obtiene datos reales y construye contexto enriquecido para el LLM."""
132
  lines = ["=== DATOS REALES EN TIEMPO REAL — MÉXICO ===\n"]
133
 
134
  # Banxico
135
  lines.append("--- BANXICO (datos oficiales hoy) ---")
136
+ banxico_data = {
137
+ "SF43718": "Tipo de cambio USD/MXN (FIX)",
138
+ "SF46410": "TIIE 28 días (%)",
139
+ "SF61745": "Tasa objetivo Banxico (%)",
140
+ "SP74625": "Inflación general (índice INPC)",
141
+ "SF290383": "Reservas internacionales (MDD)",
142
+ "SF43784": "Tipo de cambio EUR/MXN",
143
+ }
144
+ for serie_id, nombre in banxico_data.items():
145
  d = fetch_banxico_serie(serie_id)
146
  if d.get("valor"):
147
+ lines.append(f"• {nombre}: {d['valor']} (fecha: {d['fecha']})")
 
 
148
 
149
  # World Bank
150
+ lines.append("\n--- WORLD BANK (datos macroeconómicos) ---")
151
+ wb_data = {
152
+ "NY.GDP.MKTP.CD": "PIB México",
153
+ "NY.GDP.PCAP.CD": "PIB per cápita USD",
154
+ "FP.CPI.TOTL.ZG": "Inflación anual %",
155
+ "SL.UEM.TOTL.ZS": "Desempleo %",
156
+ "NE.EXP.GNFS.ZS": "Exportaciones % PIB",
157
+ "BX.KLT.DINV.WD.GD.ZS": "IED % PIB",
158
+ }
159
+ for indicator, nombre in wb_data.items():
160
  d = fetch_worldbank(indicator)
161
  if d.get("valor"):
162
+ val = d['valor']
163
+ if indicator == "NY.GDP.MKTP.CD":
164
+ val = f"${val/1e12:.2f} billones USD"
165
+ elif indicator == "NY.GDP.PCAP.CD":
166
+ val = f"${val:,.0f} USD"
167
+ else:
168
+ val = f"{val:.2f}%"
169
+ lines.append(f"• {nombre}: {val} ({d.get('año','')})")
170
 
171
+ # IFT Telco
172
  lines.append("\n--- IFT TELECOMUNICACIONES (Q1 2025 verificado) ---")
173
  lines.append("• Ingresos sector telco Q1 2025: 148,541 millones MXN")
174
  lines.append("• Total líneas móviles: 127.4 millones (Q3 2024)")
175
  lines.append("• Telcel (América Móvil): 63.4% participación")
176
  lines.append("• AT&T México: 17.5% participación")
177
+ lines.append("• Movistar (Telefónica): 17.0% vía acuerdo infraestructura AT&T")
178
+ lines.append("• Otros MVNOs (Bait, Virgin, Diri): 2.1%")
179
  lines.append("• Cobertura 4G LTE: 92% población")
180
+ lines.append("• Penetración 5G estimada: 3.5% (CDMX, GDL, MTY, QRO)")
181
  lines.append("• Portabilidad H1 2025: Bait líder captación (+244,024), AT&T mayor pérdida (-752,664)")
182
+ lines.append("• Altán Redes: 4.5G LTE (NO 5G comercial)")
183
+ lines.append("• Regulador: ATDT (antes IFT, reorganizado 2025)")
184
+
185
+ # Contexto económico general
186
+ lines.append("\n--- CONTEXTO ECONÓMICO MÉXICO 2025 ---")
187
+ lines.append("• Política monetaria: Banxico en ciclo de baja de tasas desde 2024")
188
+ lines.append("• Nearshoring: México beneficiado por relocalización de cadenas de suministro")
189
+ lines.append("• T-MEC vigente, revisión 2026 en proceso")
190
+ lines.append("• Remesas: récord histórico ~$64,000 MDD en 2024")
191
+ lines.append("• Turismo: ~$35,000 MDD en divisas 2024")
192
+ lines.append("• Reforma judicial 2024: impacto en certeza jurídica e inversión extranjera")
193
+ lines.append("• PEMEX: restructuración financiera en curso, deuda ~$100,000 MDD")
194
+ lines.append("• CFE: expansión renovables, meta 35% energía limpia 2024")
195
+
196
+ # Wikipedia para contexto adicional
197
+ wiki_queries = []
198
+ q_lower = query.lower()
199
+ if any(w in q_lower for w in ["tiie", "tasa", "interés", "banxico"]):
200
+ wiki_queries.append("Banco de México política monetaria")
201
+ if any(w in q_lower for w in ["pib", "economía", "crecimiento"]):
202
+ wiki_queries.append("Economía de México")
203
+ if any(w in q_lower for w in ["telco", "telecomunicaciones", "telcel", "att", "movistar"]):
204
+ wiki_queries.append("Telecomunicaciones en México")
205
+ if any(w in q_lower for w in ["inflación", "inpc", "precios"]):
206
+ wiki_queries.append("Inflación en México")
207
+
208
+ for wq in wiki_queries[:1]: # máximo 1 búsqueda Wikipedia para no demorar
209
+ wiki_text = search_wikipedia(wq)
210
+ if wiki_text:
211
+ lines.append(f"\n--- WIKIPEDIA: {wq} ---")
212
+ lines.append(wiki_text[:500])
213
+
214
+ # Tavily para noticias recientes si la query lo requiere
215
+ if any(w in q_lower for w in ["hoy", "reciente", "última", "noticia", "2026", "actual"]):
216
+ tavily_text = search_tavily(query)
217
+ if tavily_text:
218
+ lines.append("\n--- NOTICIAS RECIENTES (Tavily) ---")
219
+ lines.append(tavily_text)
220
 
221
  lines.append("\n=== FIN DE DATOS REALES ===")
222
  return "\n".join(lines)
223
 
224
  def call_llm(prompt: str) -> dict:
225
+ context = get_context_data(prompt)
 
226
 
227
  system_prompt = f"""Eres un experto en economía mexicana y telecomunicaciones de México.
228
+ Tienes acceso a los siguientes datos REALES obtenidos ahora mismo de fuentes oficiales (Banxico, World Bank, IFT, Wikipedia):
229
 
230
  {context}
231
 
232
  REGLAS CRÍTICAS:
233
+ 1. SIEMPRE usa los datos reales de arriba — NUNCA digas "no tengo acceso a datos en tiempo real"
234
+ 2. Para TIIE, USD/MXN, tasas, reservas → usa exactamente los valores de Banxico de arriba
235
+ 3. Para PIB, inflación, desempleo → usa los datos de World Bank de arriba
236
+ 4. Para telecomunicaciones → usa los datos IFT de arriba
237
+ 5. Responde en español, de forma clara y directa
238
+ 6. Formatea números grandes de forma legible: $1.86 billones USD en vez de 1856365616165.94
239
+ 7. Cita la fuente al final: (Fuente: Banxico / World Bank / IFT)
240
+ 8. Si el dato no está disponible, dilo claramente — NUNCA inventes datos"""
241
 
242
+ # Groq LPU primero
243
  if GROQ_API_KEY:
244
  try:
245
  start = time.time()
246
+ headers = {"Authorization": f"Bearer {GROQ_API_KEY}", "Content-Type": "application/json"}
 
 
 
247
  payload = {
248
  "model": "llama-3.3-70b-versatile",
249
  "messages": [
250
  {"role": "system", "content": system_prompt},
251
  {"role": "user", "content": prompt}
252
  ],
253
+ "max_tokens": 1500,
254
  "temperature": 0.2,
255
  }
256
+ r = requests.post(f"{GROQ_BASE_URL}/chat/completions", headers=headers, json=payload, timeout=20)
 
257
  r.raise_for_status()
258
  data = r.json()
259
  latencia = int((time.time() - start) * 1000)
 
268
  # Fallback NVIDIA NIM
269
  try:
270
  start = time.time()
271
+ headers = {"Authorization": f"Bearer {NVIDIA_API_KEY}", "Content-Type": "application/json"}
 
 
 
272
  payload = {
273
  "model": "meta/llama-3.1-70b-instruct",
274
  "messages": [
275
  {"role": "system", "content": system_prompt},
276
  {"role": "user", "content": prompt}
277
  ],
278
+ "max_tokens": 1500,
279
  "temperature": 0.2,
280
  }
281
+ r = requests.post(f"{NVIDIA_BASE_URL}/chat/completions", headers=headers, json=payload, timeout=45)
 
282
  r.raise_for_status()
283
  data = r.json()
284
  latencia = int((time.time() - start) * 1000)
 
288
  "latencia_ms": latencia,
289
  }
290
  except Exception as e:
291
+ return {"respuesta": f"Error: {e}", "modelo": "error", "latencia_ms": 0}
 
 
 
 
292
 
293
  # ── Endpoints ─────────────────────────────────────────────────────────────────
 
294
  @app.get("/")
295
  def root():
296
  return {
297
  "name": "Fer Private AI · API",
298
+ "version": "2.0.0",
299
  "status": "ok",
300
  "endpoints": ["/health", "/indicadores", "/telco", "/worldbank", "/chat"],
301
  "compute": "NVIDIA H100 · NIM + Groq LPU",
302
+ "tools": ["Banxico SIE", "World Bank", "IFT", "Wikipedia ES/EN", "Tavily"],
303
  "timestamp": datetime.utcnow().isoformat() + "Z",
304
  }
305
 
 
308
  return {
309
  "status": "ok",
310
  "timestamp": datetime.utcnow().isoformat() + "Z",
 
311
  "secrets": {
312
  "NVIDIA_API_KEY": "✅" if NVIDIA_API_KEY else "❌",
313
  "BANXICO_TOKEN": "✅" if BANXICO_TOKEN else "❌",
314
  "GROQ_API_KEY": "✅" if GROQ_API_KEY else "❌",
315
+ "TAVILY_API_KEY": "✅" if TAVILY_API_KEY else "❌",
316
  }
317
  }
318
 
 
321
  if not BANXICO_TOKEN:
322
  raise HTTPException(status_code=503, detail="BANXICO_TOKEN no configurado")
323
  resultados = {}
324
+ series = {
325
+ "SF43718": "Tipo de cambio USD/MXN (FIX)",
326
+ "SF46410": "TIIE 28 días (%)",
327
+ "SF61745": "Tasa objetivo Banxico (%)",
328
+ "SP74625": "Inflación general (índice)",
329
+ "SF290383": "Reservas internacionales (MDD)",
330
+ }
331
+ for serie_id, nombre in series.items():
332
+ d = fetch_banxico_serie(serie_id)
333
+ resultados[serie_id] = {"nombre": nombre, "valor": d["valor"], "fecha": d["fecha"]}
334
  return {
335
  "fuente": "Banxico SIE API",
336
  "timestamp": datetime.utcnow().isoformat() + "Z",
 
340
  @app.get("/telco")
341
  def telco():
342
  return {
343
+ "fuente": "IFT · ATDT",
344
  "timestamp": datetime.utcnow().isoformat() + "Z",
345
  "mercado_movil": {
346
  "total_lineas_millones": 127.4,
 
359
 
360
  @app.get("/worldbank")
361
  def worldbank():
362
+ wb_data = {
363
+ "NY.GDP.MKTP.CD": "PIB México (USD)",
364
+ "NY.GDP.PCAP.CD": "PIB per cápita (USD)",
365
+ "FP.CPI.TOTL.ZG": "Inflación anual (%)",
366
+ "SL.UEM.TOTL.ZS": "Desempleo (%)",
367
+ "NE.EXP.GNFS.ZS": "Exportaciones (% PIB)",
368
+ }
369
  resultados = {}
370
+ for indicator, nombre in wb_data.items():
371
+ d = fetch_worldbank(indicator)
372
+ resultados[indicator] = {"nombre": nombre, "valor": d["valor"], "año": d["año"]}
373
  return {
374
  "fuente": "World Bank API",
375
  "timestamp": datetime.utcnow().isoformat() + "Z",