Mantenimiento de edificios potenciado con IA

# ri/stickers/signals.py — Señal que dispara la regeneración automática
from django.db.models.signals import post_save
from django.dispatch import receiver
from .models import Stickers
from ri.buildings.models import AISummaryDebounce
from ri.buildings.tasks import generate_ai_summary_for_building

VENTANA_DEBOUNCE = 30  # segundos

@receiver(post_save, sender=Stickers)
def agendar_resumen_ia_al_crear_sticker(sender, instance, **kwargs):
    # Solo si el sticker tiene edificio y no está removido
    if not instance.building_id or instance.removed:
        return

    # Debounce: evita múltiples llamadas en ráfaga
    if AISummaryDebounce.should_schedule(
        instance.building_id, VENTANA_DEBOUNCE
    ):
        generate_ai_summary_for_building.apply_async(
            args=[instance.building_id],
            countdown=VENTANA_DEBOUNCE,
        )

# ri/core/ai.py — Llamada directa a DeepSeek sin SDK externo
def invocar_api_deepseek(prompt, modelo='deepseek-v4-flash', max_palabras=200):
    config = Configuracion.get_solo()
    cuerpo = {
        "model": modelo,
        "messages": [
            {"role": "system", "content": "Sos un asistente experto en mantenimiento de edificios."},
            {"role": "user", "content": prompt},
        ],
        "max_tokens": min(int(max_palabras * 3) + 500, 384000),
        "temperature": 0.3,
    }

    if 'pro' in modelo:
        cuerpo["reasoning_effort"] = "high"

    respuesta = requests.post(
        f"{config.deepseek_base_url}/chat/completions",
        headers={"Authorization": f"Bearer {config.deepseek_api_key}"},
        json=cuerpo,
        timeout=60,
    )
    respuesta.raise_for_status()
    return _limpiar_salida(respuesta.json()["choices"][0]["message"]["content"])

# ri/core/chroma_client.py — Recuperación híbrida (semántica + léxica)
def query_edificio(building_id, embedding, n=8, pregunta=None, lexical_weight=0.5):
    # Se traen TODOS los docs del edificio (recall exacto, sin HNSW)
    query_terms = content_terms(pregunta)  # sin acentos/stopwords, singular

    for i, doc in enumerate(docs):
        sim = coseno(embedding, embs[i])       # similitud semántica
        matched = query_terms & doc_terms[i]  # coincidencias literales
        # términos raros (IDF alto) pesan más
        lexical = sum(idf(t) for t in matched) / idf_total if matched else 0.0
        combined = sim + lexical_weight * lexical  # ranking híbrido

    # Un doc que menciona textualmente lo buscado sube aunque
    # el embedder no lo capte. Genérico: sirve para cualquier término.
    return mejores_n(scored, n)