| name | bmc-ml-operativo-respuestas |
| description | Ciclo operativo Mercado Libre (BMC): levantar API y OAuth, exportar corpus de preguntas, priorizar UNANSWERED, iterar la KB de respuestas con el humano, cotizar con /calc/cotizar, normalizar moneda (U$S→USD) y publicar con POST /ml/questions/:id/answer. Usar cuando pidan operar preguntas ML, mejorar ML-RESPUESTAS-KB-BMC, publicar respuestas al vendedor, o repetir el flujo “servicios listos → KB → ML” sin improvisar pasos. |
BMC — ML operativo (KB + publicación de respuestas)
Orquesta el mismo flujo que un agente humano+IA en Cursor: servicios listos → datos de preguntas → mejora de conocimiento → redacción con precio → publicación en ML.
Complementa (léelo primero si falta contexto técnico): .cursor/skills/bmc-mercadolibre-api/SKILL.md, docs/ML-OAUTH-SETUP.md, docs/team/panelsim/knowledge/ML-TRAINING-SYSTEM.md.
KB canónica de tono y criterios: docs/team/panelsim/knowledge/ML-RESPUESTAS-KB-BMC.md (voz, checklist, §4 por familia de publicación, §12 borradores / anexo).
Inventario para agentes: docs/team/panelsim/knowledge/KNOWLEDGE-INVENTORY-FOR-AI-AGENTS.md.
0. Reglas de oro (no negociar con el cliente en ML)
- Precio primero cuando el caso lo permita (cotización real vía API de calculadora).
- No pedir al comprador que “verifique MATRIZ” ni exponer jargon interno.
- Cortes: amoladora (no “sierra” genérica); límites + solución + precio si aplica.
- Medidas ya suficientes: no repreguntar lo que el hilo ya dio.
- Moneda en texto que va a ML: el servidor aplica
normalizeMlAnswerCurrencyText (U$S/u$s → USD, luego mitigación de $); ver server/lib/mlAnswerText.js. Redactar pensando en USD + montos legibles.
- Human-in-the-loop: el humano aprueba/edita KB y cada texto antes de
POST si el contexto es sensible o legal.
1. Servicios listos (local)
| Paso | Comando / acción |
|---|
.env presente | npm run env:ensure |
| API en :3001 | npm run start:api (o stack completo según AGENTS.md) |
| OAuth ML OK | npm run ml:verify (requiere API arriba) |
| HTTPS / callback si OAuth falla | npm run ml:local o ngrok según docs/ML-OAUTH-SETUP.md |
No inventar “tokens OK”: usar salida real de ml:verify o /auth/ml/status.
2. Obtener y filtrar preguntas
| Objetivo | Comando |
|---|
| Lista viva desde ML (API) | GET http://127.0.0.1:3001/ml/questions (Bearer API_AUTH_TOKEN si aplica) |
| Corpus offline para análisis | npm run ml:corpus-export → JSON bajo docs/team/panelsim/reports/ml-corpus/exports/ (gitignored salvo que se versione a propósito) |
| Priorizar hilos abiertos | En el JSON exportado, filtrar por estado UNANSWERED (jq / script; ver reference.md) |
Tratar IDs y texto de compradores con mínima exposición en commits y en PROJECT-STATE (solo IDs si hace falta trazabilidad).
3. Mejorar la KB con el humano
- Abrir
ML-RESPUESTAS-KB-BMC.md.
- Ajustar §2–§4, §7 checklist, §12 borradores o anexos según correcciones del humano (ej. babeta adosar 16 cm, chapa galv. prepintada c24, etc.).
- Alinear el modelo automático: bloque Canal Mercado Libre en
server/lib/chatPrompts.js debe reflejar la KB (sin secretos).
- Tras cambios sustantivos en KB/prompts: línea breve en
docs/team/PROJECT-STATE.md → Cambios recientes.
4. Cotizar para fundamentar el precio en la respuesta
Usar la API local (misma base que start:api):
- Escenarios típicos:
POST /calc/cotizar (ej. solo_fachada, dimensiones, lista según política interna).
- Aproximaciones de solo panel:
POST /calc/cotizar/presupuesto-libre con m².
Detalle de payloads en reference.md. No citar en ML el nombre interno de lista (“web/BMC”); sí monto + IVA según criterio ya acordado en KB.
5. Publicar respuesta en Mercado Libre
Solo con texto aprobado por el humano (o política explícita de auto‑post).
POST http://127.0.0.1:3001/ml/questions/:questionId/answer
Content-Type: application/json
Authorization: Bearer <API_AUTH_TOKEN>
{ "text": "…" }
- El servidor normaliza moneda antes de enviar a ML (
mlAnswerText).
- 200 → hilo pasa a contestado en ML; revisar en UI vendedor.
- Respuestas ya publicadas no se reemplazan por el mismo endpoint: correcciones van por UI ML si hace falta.
6. Verificación y cierre
npm test si se tocó server/lib/mlAnswerText.js o reglas asociadas.- Si el comportamiento depende del runtime Cloud Run, recordar deploy API según
AGENTS.md / skill deploy.
- Opcional:
npm run ml:corpus-export de nuevo y diff de conteos UNANSWERED.
7. Referencia rápida
Ver reference.md (curl, variables de entorno, ejemplos jq, plantillas JSON).
