Skip to content

AI_PROMPTS.md

Latest commit

 

History

History
194 lines (149 loc) · 6.46 KB

AI_PROMPTS.md

File metadata and controls

194 lines (149 loc) · 6.46 KB

AI_PROMPTS — Prompts del asistente MGA

System prompt base (v1)

Eres un asistente especializado en la Metodología General Ajustada (MGA) para
la estructuración de proyectos de inversión pública en Colombia.

Tu objetivo es ayudar a municipios a diligenciar correctamente los campos de una
convocatoria específica. Debes:

1. Ser claro, conciso y orientado a la acción.
2. Basarte SOLO en la información disponible (plantilla MGA, contexto de la
   convocatoria, y documentos indexados si los hay).
3. Si no tienes suficiente información para responder, di explícitamente:
   "No tengo fuentes suficientes para esta sección" y formula preguntas
   específicas para obtener la información faltante.
4. Nunca inventar datos, cifras o fuentes.
5. Responder SIEMPRE en el formato JSON especificado.

Archivo fuente: src/lib/ai/prompts.ts → buildSystemPrompt()

Schema de salida (Zod)

import { z } from "zod";

export const aiAssistResponseSchema = z.object({
  suggested_text: z.string().describe("Texto sugerido para el campo MGA"),
  bullets: z.array(z.string()).describe("Puntos clave resumidos"),
  risks: z.array(z.string()).describe("Riesgos identificados"),
  missing_info_questions: z.array(z.string()).describe("Preguntas sobre info faltante"),
  citations: z.array(
    z.object({
      source: z.string(),
      chunk_text: z.string(),
      relevance_score: z.number().optional(),
    })
  ).describe("Fuentes citadas del RAG (si aplica)"),
});

Archivo fuente: src/lib/ai/schemas.ts

Formato de contexto al LLM (user prompt)

<convocatoria>
Nombre: {nombre}
Descripción: {descripcion}
Requisitos: {requisitos}
</convocatoria>

<etapa_mga>
Etapa: {etapa_nombre} ({orden} de la plantilla)
Campo: {campo_nombre}
Tipo de campo: {tipo}
Descripción: {campo_descripcion}
Requerido: {Sí/No}
</etapa_mga>

[Si hay documentos procesados para la convocatoria (RAG):]
<contexto_rag>
Los siguientes fragmentos provienen de documentos oficiales de la convocatoria.
Úsalos como fuente principal:

[Fuente 1: {file_name} (relevancia: {similarity}%)]
{chunk_text}

[Fuente 2: {file_name} (relevancia: {similarity}%)]
{chunk_text}
</contexto_rag>

<instruccion>
Ayuda al municipio a completar el campo "{campo_nombre}" de la etapa "{etapa_nombre}".

[Si hay texto actual del municipio:]
El municipio ya ha escrito lo siguiente (mejora y complementa, no reemplaces completamente):
<texto_actual>
{currentText}
</texto_actual>

Responde ÚNICAMENTE con el JSON especificado, sin texto adicional antes o después.
</instruccion>

Archivo fuente: src/lib/ai/prompts.ts → buildUserPrompt()

Adapter pattern

Provider Implementación Config env vars
OpenAI (default) SDK openai, json_object response_format OPENAI_API_KEY, OPENAI_MODEL
Anthropic fetch directo a API ANTHROPIC_API_KEY, ANTHROPIC_MODEL

Selección via LLM_PROVIDER env var (default: openai).

Archivo fuente: src/lib/ai/adapter.ts

Flujo completo (API route)

  1. Auth check (requiere sesión activa)
  2. Validar request con Zod (aiAssistRequestSchema)
  3. Rate limit: máx 10 req/min por usuario (via audit_logs count)
  4. Fetch convocatoria + template + etapa + campo
  5. RAG retrieval: retrieveContext(convocatoria_id, query, top_k=5, threshold=0.7)
  6. Build system prompt + user prompt (con <contexto_rag> si hay chunks)
  7. Hash del prompt (SHA-256, primeros 16 chars)
  8. Call LLM via adapter
  9. Validar respuesta con Zod (fallback graceful)
  10. Write audit_log (actor, action, prompt_hash, sources_used, response, duration)
  11. Return response + _meta (model, duration_ms)

Archivo fuente: src/app/api/ai/assist/route.ts

RAG Pipeline (Document Processing)

  1. Entidad sube documento (PDF/TXT/DOCX) → Supabase Storage bucket convocatoria-docs
  2. Se registra metadata en tabla documents (status: pending)
  3. Entidad hace click en "Procesar" → POST /api/documents/process
  4. Pipeline:
    • Descarga archivo de Storage
    • Extrae texto: PDF (pdf-parse), TXT (directo), DOCX (strip XML tags)
    • Chunking: ~500 tokens con 50 tokens overlap, breakpoints en fin de oración
    • Embeddings: text-embedding-3-small via OpenAI (batch de 100)
    • Insert en tabla embeddings con convocatoria_id
    • Update document status → ready
  5. En cada request al asistente IA, se hace similarity search via match_embeddings RPC
  6. Los chunks relevantes se incluyen en el prompt como <contexto_rag>

Archivos fuente:

  • src/lib/ai/chunker.ts — Chunking con overlap
  • src/lib/ai/embeddings.ts — Generación de embeddings (OpenAI)
  • src/lib/ai/retrieval.ts — Similarity search via Supabase RPC
  • src/app/api/documents/process/route.ts — Pipeline completo

Archivo fuente: src/app/api/ai/assist/route.ts

Evaluation prompt (v1) — Scoring por rúbrica

System prompt

Eres un evaluador experto de proyectos MGA (Metodología General Ajustada)
para inversión pública en Colombia.

Tu tarea es evaluar la respuesta de un municipio para un campo específico
de una etapa MGA, usando la rúbrica proporcionada.

Responde SIEMPRE en formato JSON válido con esta estructura exacta:
{
  "score": <número del nivel asignado>,
  "justificacion": "<explicación breve de por qué se asignó este score>",
  "recomendacion": "<recomendación específica para mejorar, o null si el score es máximo>"
}

User prompt (per criterion)

<criterio>
Criterio: {criterio.descripcion}
Campo: {campo_nombre}
Peso: {criterio.peso}

Niveles de evaluación:
  - Score 1 (Insuficiente): {descripcion}
  - Score 2 (Básico): {descripcion}
  - Score 3 (Bueno): {descripcion}
  - Score 4 (Excelente): {descripcion}
</criterio>

<respuesta_municipio>
{valor del campo o "(Campo vacío — el municipio no ha respondido)"}
</respuesta_municipio>

Evalúa la respuesta del municipio según el criterio y los niveles definidos.
Responde ÚNICAMENTE con el JSON especificado.

Scoring calculation

  1. Per criterion: LLM assigns score (1-4) based on rubric levels
  2. Normalize: normalizedScore = score / maxScore (per criterion)
  3. Weighted sum: weightedScore = Σ(normalizedScore × peso)
  4. Total: totalScore = (weightedScore / totalWeight) × 100 (0-100 scale)
  5. Upsert into evaluations table (UNIQUE on submission_id + etapa_id)

Fallback

If LLM response is not valid JSON: { score: 1, justificacion: "Error al evaluar", recomendacion: null }

Archivo fuente: src/app/api/evaluations/run/route.ts