evidencias_v2.md

Evidencias de Ejecución - Retail AI Agent

📸 Trazas de Ejecución (Logs del Sistema)

A continuación se muestra la salida real de la consola al ejecutar el sistema refactorizado con main.py.

Caso 1: Consulta de Stock (Tool Call Exitoso)

Usuario: "Necesito verificar el stock de la laptop-001"

💬 USER: Necesito verificar el stock de la laptop-001

⚡ [LLM DECISION] Ejecutar: get_product_details con args {'product_id': 'laptop-001'}
   ⚙️ [SERVICE] Consultando DB para ID: laptop-001...
   
🤖 AI: Actualmente tenemos 15 unidades en stock de la Laptop Dell XPS 15 (ID: laptop-001).

---

Caso 2: Consulta Compleja (Tool Call Exitoso)

Usuario: "¿Cuál es el precio del phone-002 y dónde está guardado?"

💬 USER: ¿Cuál es el precio del phone-002 y dónde está guardado?

⚡ [LLM DECISION] Ejecutar: get_product_details con args {'product_id': 'phone-002'}
   ⚙️ [SERVICE] Consultando DB para ID: phone-002...

🤖 AI: El iPhone 15 Pro (phone-002) tiene un precio de $999.99 y se encuentra ubicado en A-1.

---

Caso 3: Pregunta General (Sin Tool Call)

Usuario: "¿Qué opinas sobre el futuro del retail?"

💬 USER: ¿Qué opinas sobre el futuro del retail?

🤖 AI: El futuro del retail parece dirigirse hacia una integración híbrida, donde la experiencia física y digital se fusionan (phygital). La personalización impulsada por IA y la automatización de la cadena de suministro serán clave.

✅ Validación Técnica

El sistema demuestra correctamente el patrón de Tool Calling:

1. Detección de Intención: El modelo identifica correctamente cuándo necesita datos externos (Casos 1 y 2) y cuándo no (Caso 3).
2. Extracción de Parámetros: Extrae correctamente los IDs (laptop-001, phone-002) del lenguaje natural.
3. Inyección de Dependencias: El InventoryService es invocado dinámicamente sin que el LLM conozca su implementación interna.