LLM Integration

pip install langchain-google-genai

from langchain_core.prompts import ChatPromptTemplate

template = """
Eres un Mentor de Carrera Tecnológica y experto en empleabilidad joven.
Tu misión es analizar el perfil de este estudiante basándote SOLO en el siguiente contexto (su CV):
{context}

Pregunta: {question}
"""

prompt = ChatPromptTemplate.from_template(template)

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

# Define schema
class PerfilEstudiante(BaseModel):
    nombre: str = Field(description="Nombre completo del estudiante")
    universidad: str = Field(description="Universidad o instituto")
    stack_principal: list = Field(description="Top 5 tecnologías")
    tipo_perfil: str = Field(description="Backend, Frontend, Data, o Fullstack")

parser = JsonOutputParser(pydantic_object=PerfilEstudiante)

template = """
Eres un Experto en Reclutamiento IT.
Analiza el CV y extrae los datos estructurados.

UTILIZA EL SIGUIENTE FORMATO JSON:
{format_instructions}

TEXTO DEL CV:
{context}
"""

prompt = ChatPromptTemplate.from_template(template)

from langchain_core.runnables import RunnablePassthrough

# Direct passthrough
chain = (
    {"question": RunnablePassthrough()}
    | prompt
    | llm
)

result = chain.invoke("What is Python?")

# Combine retriever output with question passthrough
chain = (
    {
        "context": retriever,           # Retrieves documents
        "question": RunnablePassthrough()  # Passes question through
    }
    | prompt
    | llm
    | StrOutputParser()
)

from langchain_core.output_parsers import StrOutputParser

chain = prompt | llm | StrOutputParser()
result = chain.invoke({"question": "Explain Python"})
print(type(result))  # <class 'str'>

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

class TechStack(BaseModel):
    languages: list[str] = Field(description="Programming languages")
    frameworks: list[str] = Field(description="Frameworks")
    years_experience: int = Field(description="Years of experience")

parser = JsonOutputParser(pydantic_object=TechStack)

chain = prompt | llm | parser
result = chain.invoke({"context": resume_text})
print(result)  # Python dict with validated structure

Basado en el CV, este es el análisis del perfil de Fernanda Paredes:

### 1. Proyectos Destacados y Experiencia Académica

Fernanda es una estudiante de 9no ciclo de Ingeniería de Software (UTP).

1. **Proyecto Académico como Data Analyst Trainee (Jun 2025 - Feb 2026)**
2. **Primer puesto en Hackathon universitaria** por desarrollo de app de reciclaje

### 2. Stack Tecnológico Principal

| Área | Tecnologías |
|------|-------------|
| Análisis de Datos | Python, PowerBI |
| Desarrollo | Java, Spring Boot |

Analizando 5 estudiantes...
Procesado: FERNANDA PAREDES (9no Ciclo) -> Data
Procesado: XIMENA RIOS (9no ciclo) -> Fullstack
Procesado: NICOLAS PAREDES (7mo Ciclo) -> Fullstack
Procesado: LUCIANA CORDOVA (8vo ciclo) -> Fullstack
Procesado: FERNANDA MENDOZA (8vo Ciclo) -> Fullstack

TABLA DE TALENTO:
             nombre universidad tipo_perfil                          stack_principal
0  FERNANDA PAREDES         UTP        Data  [Python, PowerBI, Java, Spring Boot]
1       XIMENA RIOS  San Marcos   Fullstack      [Python, FastAPI, Java, React...]

from langchain_google_genai import ChatGoogleGenerativeAI

llm = ChatGoogleGenerativeAI(
    model="gemini-1.5-flash",
    temperature=0,
    streaming=True
)

for chunk in llm.stream("Explica qué es Python"):
    print(chunk.content, end="", flush=True)

from langchain_core.messages import SystemMessage, HumanMessage

messages = [
    SystemMessage(content="Eres un experto en reclutamiento tecnológico."),
    HumanMessage(content="Analiza este perfil: Python developer con 3 años de experiencia")
]

response = llm.invoke(messages)
print(response.content)

functions = [
    {
        "name": "extract_skills",
        "description": "Extract technical skills from a resume",
        "parameters": {
            "type": "object",
            "properties": {
                "languages": {"type": "array", "items": {"type": "string"}},
                "frameworks": {"type": "array", "items": {"type": "string"}}
            },
            "required": ["languages", "frameworks"]
        }
    }
]

llm = ChatGoogleGenerativeAI(
    model="gemini-1.5-flash",
    temperature=0
)

llm_with_functions = llm.bind(functions=functions)

from langchain_google_genai import ChatGoogleGenerativeAI
import os

try:
    # Validate API key
    if not os.getenv("GOOGLE_API_KEY"):
        raise ValueError("GOOGLE_API_KEY not configured")
    
    # Initialize LLM
    llm = ChatGoogleGenerativeAI(
        model="gemini-1.5-flash",
        temperature=0
    )
    
    # Test connection
    response = llm.invoke("Hello")
    print("✓ LLM initialized successfully")
    
except ValueError as e:
    print(f"Configuration error: {e}")
except Exception as e:
    print(f"LLM error: {e}")
    # Fallback or retry logic

import time
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=4, max=10)
)
def query_llm_with_retry(chain, query):
    return chain.invoke(query)

# Usage
try:
    result = query_llm_with_retry(chain, "Analyze this resume")
except Exception as e:
    print(f"Failed after retries: {e}")