Gemini Ai Agent

2. Inyección de Contexto RAG (Retrieval-Augmented Generation)

• Datos de sensores en tiempo real: Últimos valores de sensor_data del usuario.
• Historial de 24h: Tendencias de temperatura y humedad (hasta 20 registros).
• Estado interno del backend: Modo del sistema (AUTO/MANUAL), salud de la bomba, alertas activas.
• Memoria conversacional: Últimos 6 mensajes del chat para continuidad del diálogo.

3. Gestión del Modelo LLM

• Modelo: gemini-2.0-flash (configurado en app/llm.py).
• Generación asíncrona: generate_raw_response() utiliza asyncio para no bloquear el event loop de FastAPI.
• Manejo de cuota: Detección de errores 429 (ResourceExhausted) con mensaje amigable al usuario.
• Reintentos: El servicio propaga la excepción CUOTA_AGOTADA al router para respuesta HTTP adecuada.

4. Extracción de Datos Estructurados

• La respuesta del LLM incluye un bloque ```json con actions y alerts.
• extract_iot_data() usa regex para separar el texto humano del JSON de control.
• Las acciones (FAN ON, IRRIGATION OFF) se envían de vuelta al hardware ESP32.

Flujo de Prompt (Diagrama)

┌───────────────────────────────────────┐
│          build_prompt()               │
├───────────────────────────────────────┤
│  1. prompt.md     → Persona           │
│  2. knowledge.md  → Cultivos          │
│  3. devices.md    → Actuadores        │
│  4. rules.md      → Formato/Seguridad │
│  5. sensor_data   → Tiempo Real       │
│  6. history       → Tendencias 24h    │
│  7. backend_state → Estado Interno    │
│  8. chat_history  → Memoria (6 msgs) │
│  9. message       → Input del Usuario │
└───────────────────────────────────────┘
              │
              ▼
    ┌──────────────────┐
    │  Gemini 2.0 Flash │
    └──────────────────┘
              │
              ▼
    ┌──────────────────┐
    │ extract_iot_data()│
    │  → text, actions, │
    │    alerts          │
    └──────────────────┘

Archivos Clave

• app/prompts.py: Constructor modular de prompts.
• app/llm.py: Cliente asíncrono de Google Gemini.
• app/services/iot_service.py: Orquestador que conecta prompt → LLM → extracción.

Buenas Prácticas

1. Nunca hardcodear prompts en los routers. Siempre usar build_prompt().
2. Mantener knowledge.md actualizado con datos agronómicos relevantes a la zona.
3. Evitar llamadas innecesarias a Gemini — el filtro de anomalías reduce el consumo de cuota en ~70%.
4. Siempre incluir chat_history en solicitudes humanas para mantener coherencia conversacional.