Enrutamiento de tickets

def classify_support_request(ticket_contents):
    # Define el prompt para la tarea de clasificación
    classification_prompt = f"""Actuarás como un sistema de clasificación de tickets de soporte al cliente. Tu tarea es analizar las solicitudes de soporte al cliente y generar la clasificación de intención apropiada para cada solicitud, junto con tu razonamiento. 

        Aquí está la solicitud de soporte al cliente que necesitas clasificar:

        <request>{ticket_contents}</request>

        Por favor, analiza cuidadosamente la solicitud anterior para determinar la intención principal y las necesidades del cliente. Considera lo que el cliente está pidiendo o sobre lo que tiene preocupaciones.

        Primero, escribe tu razonamiento y análisis de cómo clasificar esta solicitud dentro de etiquetas <reasoning>.

        Luego, genera la etiqueta de clasificación apropiada para la solicitud dentro de una etiqueta <intent>. Las intenciones válidas son:
        <intents>
        <intent>Soporte, Comentarios, Queja</intent>
        <intent>Seguimiento de Pedido</intent>
        <intent>Reembolso/Cambio</intent>
        </intents>

        Una solicitud puede tener SOLO UNA intención aplicable. Solo incluye la intención que sea más aplicable a la solicitud.

        Como ejemplo, considera la siguiente solicitud:
        <request>¡Hola! Me instalaron internet de fibra de alta velocidad el sábado y mi instalador, Kevin, fue absolutamente fantástico. ¿Dónde puedo enviar mi opinión positiva? ¡Gracias por tu ayuda!</request>

        Aquí hay un ejemplo de cómo debería ser el formato de tu salida (para el ejemplo de solicitud anterior):
        <reasoning>El usuario busca información para dejar comentarios positivos.</reasoning>
        <intent>Soporte, Comentarios, Queja</intent>

        Aquí hay algunos ejemplos más:
        <examples>
        <example 2>
        Ejemplo 2 Entrada:
        <request>Quería escribir y agradecerle personalmente por la compasión que mostró hacia mi familia durante el funeral de mi padre este fin de semana pasado. Su personal fue tan considerado y servicial durante todo este proceso; realmente nos quitó un peso de encima. Los folletos de visita fueron hermosos. Nunca olvidaremos la amabilidad que nos mostró y estamos muy agradecidos por lo bien que transcurrieron los procedimientos. Gracias, de nuevo, Amarantha Hill en nombre de la Familia Hill.</request>

        Ejemplo 2 Salida:
        <reasoning>El usuario deja una reseña positiva de su experiencia.</reasoning>
        <intent>Soporte, Comentarios, Queja</intent>
        </example 2>
        <example 3>

        ...

        </example 8>
        <example 9>
        Ejemplo 9 Entrada:
        <request>Su sitio web sigue enviando ventanas emergentes de publicidad que bloquean toda la pantalla. Me tomó veinte minutos solo para finalmente encontrar el número de teléfono para llamar y quejarme. ¿Cómo puedo acceder a la información de mi cuenta con todas estas ventanas emergentes? ¿Puede acceder a mi cuenta por mí, ya que su sitio web está roto? Necesito saber cuál es la dirección registrada.</request>

        Ejemplo 9 Salida:
        <reasoning>El usuario solicita ayuda para acceder a la información de su cuenta web.</reasoning>
        <intent>Soporte, Comentarios, Queja</intent>
        </example 9>

        Recuerda incluir siempre tu razonamiento de clasificación antes de tu salida de intención real. El razonamiento debe estar encerrado en etiquetas <reasoning> y la intención en etiquetas <intent>. Devuelve solo el razonamiento y la intención.
        """

import anthropic
import re

# Crea una instancia del cliente de la API de Anthropic
client = anthropic.Anthropic()

# Establece el modelo predeterminado
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(ticket_contents):
    # Define el prompt para la tarea de clasificación
    classification_prompt = f"""Actuarás como un sistema de clasificación de tickets de soporte al cliente. 
        ...
        ... El razonamiento debe estar encerrado en etiquetas <reasoning> y la intención en etiquetas <intent>. Devuelve solo el razonamiento y la intención.
        """
    # Envía el prompt a la API para clasificar la solicitud de soporte.
    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
        stream=False,
    )
    reasoning_and_intent = message.content[0].text

    # Usa la biblioteca de expresiones regulares de Python para extraer `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # De manera similar, también extrae la `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

    return reasoning, intent

import anthropic
import re

# Crea una instancia del cliente de la API de Anthropic
client = anthropic.Anthropic()

# Establece el modelo predeterminado
DEFAULT_MODEL="claude-3-5-haiku-20241022"

def classify_support_request(request, actual_intent):
    # Define el prompt para la tarea de clasificación
    classification_prompt = f"""Actuarás como un sistema de clasificación de tickets de soporte al cliente. 
        ...
        ...El razonamiento debe estar encerrado en etiquetas <reasoning> y la intención en etiquetas <intent>. Devuelve solo el razonamiento y la intención.
        """

    message = client.messages.create(
        model=DEFAULT_MODEL,
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": classification_prompt}],
    )
    usage = message.usage  # Obtiene las estadísticas de uso de la llamada a la API para saber cuántos tokens de entrada y salida se usaron.
    reasoning_and_intent = message.content[0].text

    # Usa la biblioteca de expresiones regulares de Python para extraer `reasoning`.
    reasoning_match = re.search(
        r"<reasoning>(.*?)</reasoning>", reasoning_and_intent, re.DOTALL
    )
    reasoning = reasoning_match.group(1).strip() if reasoning_match else ""

    # De manera similar, también extrae la `intent`.
    intent_match = re.search(r"<intent>(.*?)</intent>", reasoning_and_intent, re.DOTALL)
    intent = intent_match.group(1).strip() if intent_match else ""

      # Comprueba si la predicción del modelo es correcta.
    correct = actual_intent.strip() == intent.strip()

    # Devuelve el razonamiento, la intención, si es correcto y el uso.
    return reasoning, intent, correct, usage