✅ Evaluación Xumtech - Justificación de REQ por Arquitectura Python

Mostrar habilidades técnicas y consultivas.

• La solución incluye backend Python modular, frontend web simple, integración con OpenAI API, almacenamiento local y comunicación REST.
• Demuestra diseño, desarrollo de software, seguridad y escalabilidad.

Uso libre de tecnologías, sin plataformas prehechas de chatbot.

• Se utilizan FastAPI, OpenAI API, SQLite/JSON y frontend web estándar.
• No se usan plataformas “no-code” de chatbot (ManyChat, Dialogflow, Rasa X, etc.).

Conocimiento completo del código.

• Cada módulo tiene funciones claras:
• 🏢 domain/service/conversation_rules.py → reglas de negocio y procesamiento de mensajes
• 👤 domain/model/message.py → entidades Message y Response
• ✅ application/service/command/send_message_service.py → orquesta lógica de envío y respuesta
• 💾 adapter/persistence/message_repository_adapter.py → almacenamiento de pares pregunta-respuesta
• 🌐 adapter/rest/chatbot_controller.py → API REST para frontend

Evaluar resolución y tolerancia a presión.

• La solución modular permite ajustes en tiempo real y mejoras durante la entrevista.

Chatbot responde al menos 10 consultas.

• MessageRepositoryAdapter contiene 10 pares pregunta-respuesta.
• conversation_rules.py maneja la lógica para responder cada consulta.

Ejecutable en navegador sin instalación.

• resources/static/index.html es un frontend web simple, sin plugins o extensiones.

Compatible con navegadores populares.

• HTML y JS estándar aseguran ejecución en Chrome, Firefox, Edge o Safari.

Página ligera con ventana de chat.

• index.html tiene un div que carga la ventana de chat; puede abrirse automáticamente o con botón.

Respuesta en menos de 5 segundos.

• FastAPI maneja el endpoint /send_message con lógica síncrona/asincrónica.
• OpenAI API o repositorio local responden <5s.

Mostrar máximo 10 preguntas y explicar entrenamiento.

• Base local inicializada con 10 preguntas.
• Nuevas preguntas se agregan a SQLite o JSON, explicable en entrevista.

Contextualización de consultas.

• conversation_rules.py busca coincidencias exactas o similares.
• Si no encuentra coincidencia: devuelve mensaje “No entendí tu consulta…”.

Repositorio para consultas/respuestas.

• message_repository_adapter.py implementa CRUD sobre SQLite/JSON.

Comunicación REST segura con repositorio.

• chatbot_controller.py expone endpoints /send_message y /get_conversation.
• HTTPS y autenticación por token opcional.

Justificación de diseño y mejoras.

• Arquitectura modular (DDD + capa aplicación + adaptadores) separa dominio, negocio y persistencia.
• Facilita escalabilidad y mantenimiento.

Escalabilidad.

• Backend puede migrar a AWS Lambda/EC2.
• SQLite → PostgreSQL/RDS.
• Integrar microservicios para NLP avanzado.
• Soporte multi-API y múltiples usuarios.

Limitaciones y mejoras.

• Dependencia OpenAI API para consultas no locales.
• Mejora: embeddings y similarity search para autonomía.
• Otra mejora: integración multicanal (WhatsApp, Web, etc.).

Seguridad.

• HTTPS obligatorio en REST.
• Validación de entradas en FastAPI.
• API Key OpenAI segura en variables de entorno.
• Futuro JWT o autenticación por usuario.