pbesa 4.0.34__tar.gz → 4.0.36__tar.gz

{pbesa-4.0.34 → pbesa-4.0.36}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.2
 Name: pbesa
-Version: 4.0.34
+Version: 4.0.36
 License-File: LICENSE
 License-File: LICENSE.txt
 Requires-Dist: pymongo>=4.6.3

{pbesa-4.0.34 → pbesa-4.0.36}/pbesa/__init__.py

@@ -3,4 +3,5 @@ from .social import *
 from .remote import *
 from .cognitive import *
 from .models import *
-from .celulas import *
+from .celulas import *
+from .simulator import *

{pbesa-4.0.34 → pbesa-4.0.36}/pbesa/celulas/celula_casos.py

@@ -38,7 +38,7 @@ Responde únicamente con:
 """
 
 # Efectua la inferencia del modelo.
-def derive(service, text, max_tkns=4096) -> any:
+def derive(service, text, max_tkns=2000) -> any:
     try:
         logging.info(f"Procesando: {text}")
         tmp_work_memory = []

pbesa-4.0.36/pbesa/celulas/celula_parafraseo.py

@@ -0,0 +1,81 @@
+import logging
+
+FRAMEWORK = """
+Justifacil articula un marco único de preguntas para diecisiete clases de autoridades colombianas, agrupadas por dominio y competencia, bajo el Código General del Proceso (Ley 1564 de 2012). DIMAR salvaguarda la navegación, ambiente y seguridad marítima; DNDA administra el régimen de derecho de autor; ICA garantiza sanidad e inocuidad agropecuaria. La SFC regula solvencia, transparencia y servicios del sistema financiero, banca, inversión e innovación. La SIC despliega tres frentes: competencia desleal, protección al consumidor y propiedad industrial, vigilando mercados, derechos de marca e intereses de usuarios. Supersalud cubre siete ámbitos—cobertura de servicios, devoluciones, conflictos entre entidades, libre elección, multiafiliación, reconocimiento económico y sostenibilidad—asegurando acceso, flujo financiero y derechos de los pacientes. Supersociedades abarca liquidación, reorganización, validación judicial y conflictos mercantiles para preservar empresas y créditos. Este resumen nutre las secciones de glosario, preguntas frecuentes y observatorio de justicia, permitiendo al agente cognitivo responder con celeridad sobre licencias, registros, sanciones, garantías, reembolsos, procesos concursales complejos y demás trámites digitales que tramita Justifacil.
+""".strip()
+
+SYSTEM_PROMPT = """
+Dado el siguiente **Marco normativo y Competencial**, el **Conocimiento** disponible
+y la **Consulta de usuario**, responde en lenguaje natural, con cortesía y sin tutear.
+
+**Marco normativo y Competencial**
+%s
+
+**Conocimiento**
+%s
+
+**Consulta de usuario**
+%s
+
+- Proceso de respuesta
+1. **Prioridad de fuentes**
+   a. Si el Conocimiento responde plenamente la consulta, úsalo como base principal.  
+   b. Si la consulta no está cubierta por el Conocimiento, fundamenta la respuesta
+      únicamente en el Marco normativo y Competencial.  
+   c. Si la consulta no tiene relación con ninguno de los dos, responde solo:
+      «Lo lamento, la consulta está fuera del alcance de mis competencias en Justifacil».
+
+2. **Reglas de cobertura**
+   - Limita el contenido a trámites, funciones y competencias de las entidades
+     incluidas en el Marco normativo y Competencial.
+   - No inventes información ni extrapoles más allá de las fuentes proporcionadas.
+   - Tu respuesta debe ser clara, concisa y relevante para la consulta del usuario.
+   - Evita agregar información que no esté en el 'Conocimiento' o sea pertinente al 'Marco normativo y Competencial'.
+   - Evita agregar explicaciones innecesarias o adicionales.
+   - Solo limitate a responder la consulta parafraseando el 'Conocimiento' proporcionado.
+
+3. **Estilo y tono**
+   - Persiste en trato formal (usted).  
+   - Sé claro, conciso y amable; evita explicaciones innecesarias.  
+   - No incluyas información ajena al Conocimiento o al Marco normativo.  
+   - Concluye siempre invitando al usuario a realizar nuevas consultas.
+
+- Ejemplo admisible  
+Usuario: «Quiero saber cómo iniciar un proceso por actos de competencia desleal»  
+Asistente: «Para iniciar un proceso por actos de competencia desleal se sigue la Ley 256
+de 1996…»  
+
+- Ejemplo fuera de alcance  
+Usuario: «¿Cómo puedo sacar la visa?»  
+Asistente: «Lo lamento, la consulta está fuera del alcance de mis competencias en Justifacil».
+
+- Ejemplo fuera de alcance  
+Usuario: «Un extaterrestre copio mi marca ¿Cómo puedo frente a la SIC demandar al extraterres?»  
+Asistente: «Lo lamento, la consulta está fuera del alcance de mis competencias en Justifacil».
+
+"""
+
+USER_PROMPT = """
+
+Respuesta:
+"""
+
+# Efectua la inferencia del modelo.
+def derive(service, conocimiento, consulta, max_tkns=2000) -> any:
+    try:
+        tmp_work_memory = []
+        prompt  = SYSTEM_PROMPT % (FRAMEWORK, conocimiento, consulta)
+        tmp_work_memory.append({"role": "system", "content": prompt})
+        prompt = USER_PROMPT
+        tmp_work_memory.append({"role": "user", "content": prompt})
+        res = service.generate(tmp_work_memory, max_tokens=max_tkns)
+        logging.info(f"\n\n\nProcesando:\Conocimiento: {conocimiento}\nConsulta: {consulta}")        
+        logging.info(f"Respuesta: {res}")
+        if not res or res == "":
+            res = consulta
+            logging.warning(f"No obtener una respuesta.")
+        return res
+    except Exception as e:
+        logging.error(f"Error al procesar: {consulta}")
+        logging.error(e)
+        return None

{pbesa-4.0.34 → pbesa-4.0.36}/pbesa/cognitive.py

@@ -981,6 +981,12 @@ class Dialog(ABC):
                 res = query
         else:
             ambiguedad = True
+            per_res = celula_pertinencia.derive(self.__ai_service, query, max_tkns=10)
+            if per_res and not per_res == "":
+                if "ABSURDO" in per_res:
+                    dicriminador = None
+                    res = msg
+                    ambiguedad = False
 
         if ambiguedad:    
             logging.info("[Stage-1]: Respuesta con ambiguedad")
@@ -1665,88 +1671,31 @@ class SpecialDispatch():
         Response.
         @param data Event data 
         """
-        response = None
-        if data and not data['dto']['session']['team'] == "Funcionalidades":
-            logging.info("Despachando por descripcion...")
-            options = ""
-            cont = 1
-            agent_options = {}
-            for agent, item in self.__options_dict.items():
-                agent_options[cont] = agent
-                options += f"{cont}) {item}\n"
-                cont += 1
-            query = data['dto']['text'] if data and 'dto' in data and data['dto']['text'] is not None else ''
-            prompt = CLASSIFICATION_PROMPT % options
-            logging.info(f"Query: {query},\n Options:\n{options}")
-            self.__meta_work_memory.append({"role": "system", "content": prompt})
-            
-
-            user_prompt = f"""
-            Texto: "%s"
-
-            Respuesta:
-            """ % query
-            self.__meta_work_memory.append({"role": "user", "content": user_prompt})
-            
-            res = self.__ai_service.generate(self.__meta_work_memory, max_tokens=10)
-            logging.info(f"Thought: {res}")
-            self.__meta_work_memory = []
-            res = self.get_text(res)
-            select_agent = None
-            compare = re.findall(r'\d+', res)
-            print(f"Compare: {compare}")
-            if len(compare) > 0:
-                compare = compare[0]
-            else:
-                compare = res
-            compare = compare.strip()
-            print(f"Compare: {compare}")
-            for option in range(1, cont+1):
-                print(f"Option: {option} - Compare: {compare}")
-                if str(option) == compare:                
-                    select_agent = agent_options[option]
-                    logging.info(f"Descripcion del agente seleccionado: {select_agent}")
-                    break
-            if not select_agent:
-                logging.info("=> No se seleccionó ningun agente")
-            return select_agent, response
-        else:
-            logging.info("Despachando por descripcion...")
-            options = ""
-            cont = 1
-
-            selection_options = {}
-
-            agent_options = {}
-            for agent, item in self.__options_dict.items():
-                agent_options[cont] = agent
-                options += f"{cont}) {item}\n"
-                cont += 1
-                selection_options[agent] = 0
-
-            query = data['dto']['text'] if data and 'dto' in data and data['dto']['text'] is not None else ''
-            prompt = CLASSIFICATION_PROMPT % options
-            logging.info(f"Query: {query},\n Options:\n{options}")
-            self.__meta_work_memory.append({"role": "system", "content": prompt})
-            
-
-            user_prompt = f"""
-            Texto: "%s"
-
-            Respuesta:
-            """ % query
-            self.__meta_work_memory.append({"role": "user", "content": user_prompt})
-
-            self.kusto_open()
-
-            attemps = 1
-            exit = False
-            while attemps <= 3 and not exit:
-                logging.info(f"Intento de selección de agente: {attemps}")
-
+        try:
+            response = None
+            if data and not data['dto']['session']['team'] == "Funcionalidades":
+                logging.info("Despachando por descripcion...")
+                options = ""
+                cont = 1
+                agent_options = {}
+                for agent, item in self.__options_dict.items():
+                    agent_options[cont] = agent
+                    options += f"{cont}) {item}\n"
+                    cont += 1
+                query = data['dto']['text'] if data and 'dto' in data and data['dto']['text'] is not None else ''
+                prompt = CLASSIFICATION_PROMPT % options
+                logging.info(f"Query: {query},\n Options:\n{options}")
+                self.__meta_work_memory.append({"role": "system", "content": prompt})            
+                user_prompt = f"""
+                Texto: "%s"
+
+                Respuesta:
+                """ % query
+                self.__meta_work_memory.append({"role": "user", "content": user_prompt})
+                
                 res = self.__ai_service.generate(self.__meta_work_memory, max_tokens=10)
                 logging.info(f"Thought: {res}")
-                
+                self.__meta_work_memory = []
                 res = self.get_text(res)
                 select_agent = None
                 compare = re.findall(r'\d+', res)
@@ -1765,58 +1714,43 @@ class SpecialDispatch():
                         break
                 if not select_agent:
                     logging.info("=> No se seleccionó ningun agente")
-
+                return select_agent, response
+            else:
+                logging.info("Despachando por indice...")
+                query = data['dto']['text'] if data and 'dto' in data and data['dto']['text'] is not None else ''
+                options = ""
+                cont = 1
+                
+                # Considera las opciones
+                agent_options = []
+                for agent, _ in self.__options_dict.items():
+                    key = "-".join(agent.split("-")[0:-1])
+                    if not key in agent_options:
+                        agent_options.append(key)
+
+                # Efecua consulta al indice
+                self.kusto_open()
                 major_id, response, score = self.retrieval(query)
-                if 'glosario' in major_id.lower():
-                    major_id = 'glosario'
-                elif 'inicial' in major_id.lower():
-                    major_id = 'portal'
-                else:
-                    major_id_split = major_id.split("_")
-                    major_id = major_id_split[0] if len(major_id_split) > 0 else major_id
-                    major_id_split = major_id.split("-")
-                    major_id = major_id_split[1] if len(major_id_split) > 0 else major_id
-
-                compare_llm = 0
-                compare_index = 0
-                idex_result = None
-
-                # Check if the selected agent is in the retrieval response
-                if major_id and major_id in select_agent:
-                    logging.info(f"Se seleccionó el agente: {select_agent} con score: {score}")
-                    exit = True
-                    continue
-                else:
-                    for ag in selection_options:
-                        if select_agent and select_agent in ag:
-                            selection_options[ag] += 1
-                            compare_llm += 1 
-                        if major_id and major_id in ag:
-                            selection_options[ag] += 1
-                            compare_index += 1
-                            idex_result = ag
-
-                attemps += 1
-
-            if attemps > 3:
-                logging.info("No se pudo seleccionar un agente, identificando el agente con mayor score...")
+                self.kusto_close()
+                logging.info(f"Major ID: {major_id}, Response: {response}, Score: {score}")
                 
-                if compare_llm == compare_index:
-                    logging.warning("Dando prioridad al resultado del indice")
-                    select_agent = idex_result
+                # Obtiene el tipo de agente
+                select_agent = None            
+                if major_id:
+                    major_id = major_id.split("_")[0]
+                    for ag in agent_options:
+                        if major_id in ag:
+                            select_agent = ag
+                            break
                 else:
-                    logging.info("Evaluando los scores de los agentes...")
-                    major_id = ""
-                    max_score = 0
-                    for ag, score in selection_options.items():
-                        if score > max_score:
-                            max_score = score
-                            major_id = ag
-                    if major_id:
-                        select_agent = major_id
-                        logging.info(f"Se seleccionó el agente: {select_agent} con score: {max_score}") 
-
-            self.kusto_close()
+                    logging.warning("No se encontró un agente asociado al query")
+
+                # Si no se encontró un agente, se retorna None
+                self.__meta_work_memory = []
+                self.major_id = None
+                return select_agent, response
+        except Exception as e:
+            logging.error(f"Error en el despacho especial: {e}")
             self.__meta_work_memory = []
             self.major_id = None
-            return select_agent, response
+            return None, None

{pbesa-4.0.34 → pbesa-4.0.36}/pbesa/models.py

@@ -146,7 +146,7 @@ class AzureInference(AIService):
             response = self.model.complete(
                 messages= work_memory,
                 model= self.deployment,
-                max_tokens= self.max_tokens
+                max_tokens= max_tokens
             )
             res = response.choices[0].message.content
             if not res or res == "" or res == "ERROR":
@@ -160,7 +160,7 @@ class AzureInference(AIService):
             err = str(e) + " - " + trace_err
             logging.info(f"Error en la respuesta de Azure: {err}")
         if again:
-            if self.model_conf['SUBSTITUDE_DEPLOYMENT_NAME'] == "Llama-3.3-70B-Instruct":
+            if self.model_conf['SUBSTITUDE_2_DEPLOYMENT_NAME'].lower() == "llama-3.3-70b-instruct":
                 logging.info("\n\n\n")
                 logging.info("----------------------------------------")
                 logging.info("Sustitudo atiendendo Llama-3.3-70B-Instruct")
@@ -170,8 +170,8 @@ class AzureInference(AIService):
                     logging.info("........................................\n\n\n")
                     response = self.model.complete(
                         messages= work_memory,
-                        model =self.model_conf['SUBSTITUDE_DEPLOYMENT_NAME'],
-                        max_tokens=self.model_conf['MAX_TOKENS']
+                        model =self.model_conf['SUBSTITUDE_2_DEPLOYMENT_NAME'],
+                        max_tokens=max_tokens
                     )
                     logging.info("----------------------------------------")
                     logging.info("\n\n\n")                    
@@ -182,7 +182,7 @@ class AzureInference(AIService):
                     logging.info(f"Error en la respuesta de Azure: {err2}")
                     logging.info("----------------------------------------")
                     logging.info("\n\n\n")                    
-                    raise e2
+                    return ""
         logging.error("\n\n\n****************************************")
         logging.error("No se pudo generar una respuesta válida.")
         return ""
@@ -237,7 +237,7 @@ class AzureOpenAIInference(AIService):
             # Si no se especifica Retry-After, usar backoff exponencial
             self.wait_time = 2 ** (self.wait_time // 60)
         
-    def generate(self, work_memory, max_tokens=4096, temperature=0, top_p=0.9) -> str:
+    def generate(self, work_memory, max_tokens=2000, temperature=0, top_p=0.9) -> str:
         again = False
         try:            
             if self.main_model_enable:
@@ -303,13 +303,13 @@ class AzureOpenAIInference(AIService):
                 logging.warning("Modelo principal en espera. Intentando con el modelo de sustitución-1...")
                 if self.substitude_1_model is None:
                     raise ValueError("No se ha configurado un modelo de sustitución-1.")
-                return self.substitude_1_model.generate(work_memory)                
+                return self.substitude_1_model.generate(work_memory, max_tokens=max_tokens)                
             except Exception as e:
                 try:
                     logging.warning("Modelo principal en espera. Intentando con el modelo de sustitución-2...")
                     if self.substitude_2_model is None:
                         raise ValueError("No se ha configurado un modelo de sustitución-2.")
-                    return self.substitude_2_model.generate(work_memory)
+                    return self.substitude_2_model.generate(work_memory, max_tokens=max_tokens)
                 except Exception as e2:
                     trace_err = traceback.format_exc()
                     err = str(e2) + " - " + trace_err

pbesa-4.0.36/pbesa/simulator/__init__.py

@@ -0,0 +1 @@
+from .dialog_simulator import DialogSimulator

pbesa-4.0.36/pbesa/simulator/dialog_simulator.py

@@ -0,0 +1,94 @@
+import logging
+
+SYSTEM_PROMPT = """
+Eres un **simulador de demandantes ante entes de control**.  
+Tu tarea es leer la **solicitud de demanda** que se te entregue y luego **responder cualquier pregunta** actuando como la persona que radicó dicha demanda.
+
+Responde siempre en **primera persona**, manteniendo un tono respetuoso y claro.  
+Menciona o alude a los entes de control involucrados cuando sea pertinente (SIC – Superintendencia de Industria y Comercio, ICA – Instituto Colombiano Agropecuario, DIMAR – Dirección General Marítima, SFC – Superintendencia Financiera de Colombia, SNS – Superintendencia Nacional de Salud, entre otros).
+
+---
+
+### Criterios que debe cumplir la respuesta
+
+1. **Perspectiva**: primera persona singular (“yo”, “mi”).  
+2. **Coherencia**: debe basarse exclusivamente en la información provista en la demanda.  
+3. **Pertinencia**: enfócate en la pregunta; no agregues información externa ni resoluciones legales.  
+4. **Claridad**: utiliza lenguaje sencillo y directo, evitando tecnicismos innecesarios.  
+5. **Respeto**: mantén un tono formal y cortés frente a la autoridad.
+
+**Importante**:
+- Solo responde a la pregunta. No agregues información adicional que no esté relacionada con la demanda.
+- Solo responde a la pregunta. No agregres explicaciones o justificaciones.
+- Si te preguntan datos personales, responde con datos inventados.
+- Si te preguntan datos de contacto, responde con datos inventados.
+- Si te preguntan de persona jurídica, responde con datos inventados.
+- Si te preguntan si deseas que te asista en la radicación de la demanda, responde que sí.
+
+---
+
+### Ejemplos
+
+**Demanda de ejemplo**  
+> “Como ciudadano preocupado por la seguridad fluvial, pongo en conocimiento que una barcaza de la Empresa de Transporte Fluvial del Magdalena se encuentra navegando sin certificado de navegabilidad vigente, lo cual representa un riesgo para la vida humana y la operación segura en el río.”
+
+| Pregunta                                           | Respuesta esperada                                                                                                                                                               |
+|----------------------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
+| “¿Cuál es el principal riesgo que identificó?”     | “Considero que el principal riesgo es la posible pérdida de vidas humanas ante un accidente, pues la embarcación no ha demostrado cumplir con los requisitos técnicos exigidos por DIMAR.” |
+| “¿Por qué decidió acudir ante la DIMAR y no a otra entidad?” | “Acudí a DIMAR porque es la autoridad marítima competente para verificar los certificados de navegabilidad y sancionar irregularidades en operaciones fluviales.”                  |
+| “¿Ha presentado pruebas?”                          | “Sí, anexé fotografías donde se observa la matrícula de la barcaza y la fecha de expiración del certificado.”                                                                     |
+
+---
+"""
+
+USER_PROMPT = """
+### Plantilla de uso
+
+Demanda:
+%s
+"""
+
+class DialogSimulator(object):
+    """
+    Clase que simula un usuario demandante ante entes de control.
+    """
+
+    def __init__(self):
+        self.iteracion = 1
+        self.work_memory = []
+        self.service = None
+
+    # Efectua la inferencia del modelo.
+    def evaluate(self, text, max_tkns=2000, reset=False) -> any:
+        try:
+            if reset:
+                self.iteracion = 1
+                self.work_memory = []
+            logging.info("\n")
+            logging.info(f"Procesando: {text} - Iteración: {self.iteracion}")
+            if self.iteracion == 1:
+                prompt  = SYSTEM_PROMPT
+                self.work_memory.append({"role": "system", "content": SYSTEM_PROMPT})    
+                prompt  = USER_PROMPT % text
+                self.work_memory.append({"role": "user", "content": prompt})
+            else:
+                self.work_memory.append({"role": "user", "content": text})
+            res = self.service.generate(self.work_memory, max_tkns)
+            self.work_memory.append({"role": "assistant", "content": res})
+            self.iteracion += 1
+            logging.info(f"Respuesta: {res}")
+            logging.info("\n")
+            if not res or res == "":
+                res = text
+                logging.warning(f"No obtener una respuesta.")
+            return res
+        except Exception as e:
+            logging.error(f"Error al procesar: {text}")
+            logging.error(e)
+            return None
+    
+    def derive(self, text, max_tkns=2000, reset=False) -> any:
+        return self.evaluate(text, max_tkns=max_tkns, reset=reset)
+    
+    def set_service(self, service):
+        self.service = service

{pbesa-4.0.34 → pbesa-4.0.36}/pbesa/social/dispatcher_team.py

@@ -592,7 +592,8 @@ class LLMDispatcherDelegate(Action):
                         # Chec if the agent is instance of AugmentedGeneration
                         if isinstance(agent_obj, Dialog):
                             # Get the role
-                            if select_agent == agent_obj.id:
+                            tipo = "-".join(agent_obj.id.split('-')[0:-1])
+                            if select_agent == tipo:
                                 logging.info(f'The agent {ag} is assigned')
                                 self.agent.get_request_dict()[ag] = {
                                     'gateway': data['gateway'],
@@ -603,7 +604,7 @@ class LLMDispatcherDelegate(Action):
                                 self.adm.send_event(ag, 'task', data['dto'])
                                 self.__rewier[ag] = 0
                                 exit = True
-                                self.planilla[session_id] = select_agent
+                                self.planilla[session_id] = agent_obj.id
                             else:
                                 logging.debug('The agent does not match the role')
                                 self.adm.send_event(agent_obj.get_controller(), 'notify', ag)

{pbesa-4.0.34 → pbesa-4.0.36}/pbesa.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.2
 Name: pbesa
-Version: 4.0.34
+Version: 4.0.36
 License-File: LICENSE
 License-File: LICENSE.txt
 Requires-Dist: pymongo>=4.6.3

{pbesa-4.0.34 → pbesa-4.0.36}/pbesa.egg-info/SOURCES.txt

@@ -109,6 +109,8 @@ pbesa/remote/adm_listener_handler.py
 pbesa/remote/exceptions.py
 pbesa/remote/remote_adm.py
 pbesa/remote/remote_adm_handler.py
+pbesa/simulator/__init__.py
+pbesa/simulator/dialog_simulator.py
 pbesa/social/__init__.py
 pbesa/social/collaborative_team.py
 pbesa/social/delegator.py

{pbesa-4.0.34 → pbesa-4.0.36}/setup.py

@@ -4,7 +4,7 @@ from setuptools import setup, find_packages
 
 setup(
     name='pbesa',
-    version='4.0.34',
+    version='4.0.36',
     packages=find_packages(),
     install_requires=[
         'pymongo>=4.6.3',

pbesa-4.0.34/pbesa/celulas/celula_parafraseo.py

@@ -1,56 +0,0 @@
-import logging
-
-SYSTEM_PROMPT = """
-Dado el siguiente 'Conocimiento' y la 'Consulta de usuario', tu tarea es responder de manera amable y en lenguaje natural.
-
-**Conocimiento:**
-%s
-
-**Consulta de usuario:**
-%s
-
-**Importante:**
-- Es fundamental que evites responder si la consulta del usuario no se relaciona 
-con temas jurídicos, con Justifacil y las funciones jurisdiccionales de las siguientes entidades 
-colombianas: SIC, DNDA, DIMAR, SNS, SFC, ICA y Supersociedades, bajo el marco 
-legal del Código General del Proceso (Ley 1564 de 2012). Recuerda que Justifacil es 
-un sistema de información que permite adelantar tramites de estas entidades, y como tal, tiene secciones de:
-glosario, preguntas frecuentes, observatorio de justicia, etc.
-- Siempre finaliza tu respuesta invitando al usuario a hacer más consultas.
-
-**Instrucciones:**
-- Evita tutear al usuario.
-- Si la consulta del usuario no se relaciona con temas jurídicos, con Justifacil y las funciones jurisdiccionales de las siguientes entidades, inicia la respuesta con "Lo lamento, ..."
-- Tu respuesta debe basarse únicamente en el 'Conocimiento' proporcionado.
-- Tu respuesta debe ser amable y el lenguaje natural.
-- Tu respuesta debe ser clara, concisa y relevante para la consulta del usuario.
-- Evita agregar información que no esté en el 'Conocimiento'.
-- Evita agregar explicaciones innecesarias o adicionales.
-- Solo limitate a responder la consulta parafraseando el 'Conocimiento' proporcionado.
-
-"""
-
-USER_PROMPT = """
-
-Respuesta:
-"""
-
-# Efectua la inferencia del modelo.
-def derive(service, conocimiento, consulta, max_tkns=2000) -> any:
-    try:
-        tmp_work_memory = []
-        prompt  = SYSTEM_PROMPT % (conocimiento, consulta)
-        tmp_work_memory.append({"role": "system", "content": prompt})
-        prompt = USER_PROMPT
-        tmp_work_memory.append({"role": "user", "content": prompt})
-        res = service.generate(tmp_work_memory, max_tokens=max_tkns)
-        logging.info(f"\n\n\nProcesando:\Conocimiento: {conocimiento}\nConsulta: {consulta}")        
-        logging.info(f"Respuesta: {res}")
-        if not res or res == "":
-            res = consulta
-            logging.warning(f"No obtener una respuesta.")
-        return res
-    except Exception as e:
-        logging.error(f"Error al procesar: {consulta}")
-        logging.error(e)
-        return None