AI-Powered Features

OPENAI_API_KEY = os.environ.get('OPENAI_API_KEY', '')

OPENAI_API_KEY=sk-proj-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

from openai import OpenAI
from django.conf import settings

client = OpenAI(api_key=settings.OPENAI_API_KEY)

def generar_resumen_ia(contexto):
    """
    Genera recomendaciones accionables usando OpenAI
    """
    prompt = f"""
Eres un asistente experto en ventas, inventarios y finanzas para pequeños negocios.

Analiza los siguientes datos y genera recomendaciones CLARAS, CORTAS y ACCIONABLES.
No expliques teoría. Usa emojis moderados.

DATOS:
{contexto}

RESPONDE EN ESPAÑOL.
Formato:
- Recomendaciones
- Alertas
- Oportunidades
"""
    
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Eres un asesor de negocios."},
            {"role": "user", "content": prompt},
        ],
        temperature=0.4,
        max_tokens=300,
    )
    
    return response.choices[0].message.content

def interpretar_insights_ia(data):
    """
    Convierte métricas duras en recomendaciones humanas
    """
    prompt = f"""
Eres un asesor de negocios experto en ventas e inventarios.
Habla de forma clara, breve y accionable.

Datos del negocio:
Recomendaciones: {data['recomendaciones']}
Predicciones: {data['predicciones']}
Alertas: {data['alertas']}

Genera:
1. Un resumen ejecutivo (máx 3 líneas)
2. 3 acciones concretas para hoy
3. 1 advertencia crítica si aplica
"""
    
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Eres un gerente comercial experto."},
            {"role": "user", "content": prompt},
        ],
        temperature=0.4,
        max_tokens=300,
    )
    
    return response.choices[0].message.content

from applications.cuentas.services.ia_openai import generar_resumen_ia

# Prepare business context
contexto = f"""
Ventas del día: ${ventas_hoy}
Productos con bajo stock: {productos_bajo_stock}
Clientes activos: {clientes_activos}
Ganancia del mes: ${ganancia_mes}
"""

# Generate AI insights
insights = generar_resumen_ia(contexto)

from openai import OpenAI
from django.conf import settings

client = OpenAI(api_key=settings.OPENAI_API_KEY)

def optimizar_inventario(productos):
    """
    Genera recomendaciones de inventario usando IA
    """
    datos_productos = "\n".join([
        f"- {p.nombre}: {p.cantidad} unidades, {p.ventas_mes} ventas/mes"
        for p in productos
    ])
    
    prompt = f"""
Analiza estos productos y recomienda cuántas unidades comprar:

{datos_productos}

Considera:
- Velocidad de rotación
- Stock de seguridad
- Tendencias estacionales

Responde en formato:
Producto | Cantidad Sugerida | Razón
"""
    
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "Eres un experto en gestión de inventarios."},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3,  # More deterministic for inventory
        max_tokens=500
    )
    
    return response.choices[0].message.content

from django.test import TestCase
from unittest.mock import patch, MagicMock
from applications.cuentas.services.ia_openai import generar_resumen_ia

class IAServiceTest(TestCase):
    @patch('applications.cuentas.services.ia_openai.client')
    def test_generar_resumen(self, mock_client):
        # Mock OpenAI response
        mock_response = MagicMock()
        mock_response.choices[0].message.content = "Test insight"
        mock_client.chat.completions.create.return_value = mock_response
        
        # Test function
        resultado = generar_resumen_ia("contexto de prueba")
        
        # Assertions
        self.assertEqual(resultado, "Test insight")
        mock_client.chat.completions.create.assert_called_once()