1er respuesta
--- CÓDIGO EJECUTADO POR EL REPL ---
clima
Lluvioso 123.211825
Nublado 138.286773
Soleado 103.664453
Tormenta 123.238509
Name: tiempo_entrega, dtype: float64
---------------------------------------
--- RESPUESTA FINAL DEL AGENTE ---
import pandas as pd
df['tiempo_entrega'] = pd.to_datetime(df['tiempo_entrega'])
df['tiempo_entrega'] = df['tiempo_entrega'].apply(lambda x: x.total_seconds() / 60)
print(df.groupby('clima')['tiempo_entrega'].mean())
-------------------------------------
La Solución: Un Prompt específico para Responder
Para la respuesta final no tenés que usar el mismo prompt de generación de código. Necesitás un segundo prompt (un answer_prompt) que le diga al modelo que actúe como un analista que explica resultados en español.
from operator import itemgetter
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
cadena_agente = (
# Paso A: Generamos el mensaje de la IA con la llamada a la herramienta
RunnablePassthrough.assign(
ai_msg = prompt | llm_con_herramienta
)
# Paso B: Extraemos el código del parser y lo mandamos al REPL bajo la clave 'query'
.assign(
tool_output = lambda x: repl_tool.invoke({"query": parser.invoke(x["ai_msg"])["codigo"]})
)
# Paso C: Registramos el intercambio en el historial de chat
.assign(
chat_history = _get_chat_history
)
# Paso D: El prompt procesa la pregunta + el historial, y el LLM limpio responde en español
.assign(
response = answer_prompt | llm | StrOutputParser()
)
# Paso E: Nos quedamos con las respuestas finales
.pick(["tool_output", "response"])
)
# 1. Invocamos la cadena del agente con la pregunta de doble correlación
respuesta_2 = cadena_agente.invoke({
"question": """
¿Cuál es la correlación entre los años de experiencia del colaborador y el tiempo de entrega?
¿Es mayor que la correlación entre la clasificación del colaborador y el tiempo de entrega?
"""
})
# 2. Imprimimos la respuesta analítica final en una línea nueva
print(respuesta_2['response'])
Respuesta:
Correlación entre años de experiencia y tiempo de entrega: -0.2516410755060904
Correlación entre clasificación del colaborador y tiempo de entrega: -0.29197537876110097
La correlación entre los años de experiencia del colaborador y el tiempo de entrega es mayor que la correlación entre la clasificación del colaborador y el tiempo de entrega. Esto sugiere que los años de experiencia del colaborador tienen un impacto más significativo en el tiempo de entrega que la clasificación del colaborador. Esto podría deberse a que los colaboradores con más experiencia tienen habilidades y conocimientos más desarrollados, lo que les permite completar tareas de manera más eficiente y reducir el tiempo de entrega. Por otro lado, la clasificación del colaborador puede no ser un indicador tan directo del tiempo de entrega, ya que puede depender de factores como la complejidad del proyecto, la cantidad de trabajo y la gestión del tiempo. En resumen, los años de experiencia del colaborador parecen ser un factor más importante que la clasificación del colaborador en cuanto al tiempo de entrega.
