✅ Mejoras Implementadas en Extracción de PDFs con IA

He mejorado significativamente el sistema de extracción de texto de PDFs para el análisis con IA. Aquí están los cambios principales:

🎯 Problemas Resueltos
Límites muy pequeños → Aumentados significativamente según capacidad del modelo
No extraía todo el documento → Ahora procesa hasta 100k caracteres
Duplicación de contenido → Detecta y elimina páginas repetidas
Sin información de estado → Reporta páginas procesadas, truncado, etc.

docs/pdf-extraction-improvements.md

@@ -0,0 +1,155 @@
+# Mejoras en la Extracción de PDFs con IA
+
+## Versión Backend: 1.0.95
+
+## Problema Original
+
+El sistema tenía limitaciones al procesar PDFs con IA:
+
+1. **Límites muy pequeños**: Solo extraía 2,000-4,000 caracteres
+2. **Sin manejo de duplicaciones**: Páginas repetidas se procesaban múltiples veces
+3. **No aprovechaba contextos largos**: Los modelos modernos soportan millones de tokens
+4. **Falta de información**: No reportaba páginas procesadas o si el contenido fue truncado
+
+## Solución Implementada
+
+### 1. Función Centralizada de Extracción
+
+Nueva función `extract_pdf_text_smart()` que:
+- ✅ Extrae texto de forma inteligente
+- ✅ Detecta y evita páginas duplicadas
+- ✅ Maneja límites configurables
+- ✅ Reporta estadísticas completas (páginas, caracteres, truncado)
+- ✅ Manejo robusto de errores
+
+```python
+pdf_result = extract_pdf_text_smart(pdf_content, max_chars=50000)
+# Retorna:
+# {
+#   'text': '...',
+#   'pages': 10,
+#   'pages_processed': 9,  # Si una página estaba duplicada
+#   'total_chars': 45000,
+#   'truncated': False,
+#   'success': True
+# }
+```
+
+### 2. Límites Optimizados por Caso de Uso
+
+| Endpoint | Límite Anterior | Límite Nuevo | Modelo Objetivo |
+|----------|----------------|--------------|-----------------|
+| `/api/analyze-image` (OpenAI) | 4,000 chars | 30,000 chars | GPT-4 (128k tokens) |
+| `/api/analyze-image` (Gemini) | 4,000 chars | 100,000 chars | Gemini 1.5/2.0 (2M tokens) |
+| `/api/ai/chat-assistant` | 2,000 chars | 50,000 chars | Equilibrado para contexto |
+
+### 3. Detección de Duplicaciones
+
+El sistema ahora verifica si el contenido de una página ya existe antes de agregarlo:
+
+```python
+if page_text.strip() not in full_text:
+    full_text += f"\n--- Página {page_num}/{total_pages} ---\n{page_text.strip()}\n"
+```
+
+Esto previene:
+- PDFs con páginas idénticas repetidas
+- Documentos mal generados con contenido duplicado
+- Uso innecesario de tokens en el análisis IA
+
+### 4. Información Mejorada
+
+El sistema ahora reporta:
+- **Páginas totales**: Total de páginas en el PDF
+- **Páginas procesadas**: Páginas únicas con contenido
+- **Caracteres totales**: Tamaño real del texto extraído
+- **Indicador de truncado**: Si el PDF fue limitado
+
+Ejemplo de output:
+```
+📄 PDF procesado: manual-vehiculo.pdf - 87450 caracteres, 8/10 páginas (TRUNCADO)
+```
+
+## Capacidades de Contexto por Modelo
+
+### OpenAI GPT-4
+- **Contexto**: ~128,000 tokens (~500,000 caracteres)
+- **Límite aplicado**: 30,000 caracteres
+- **Razón**: Balance entre contexto útil y costo
+
+### Gemini 1.5/2.0 Pro
+- **Contexto**: 2,000,000 tokens (~8,000,000 caracteres)
+- **Límite aplicado**: 100,000 caracteres
+- **Razón**: Aprovechar contexto masivo sin sobrecargar
+
+### Chat Assistant
+- **Límite**: 50,000 caracteres
+- **Razón**: Incluye historial + contexto de fotos + PDF
+
+## Casos de Uso Soportados
+
+### ✅ PDFs Pequeños (1-5 páginas)
+Extracción completa sin truncado
+
+### ✅ PDFs Medianos (5-20 páginas)
+Extracción completa o parcial según contenido
+
+### ✅ PDFs Grandes (20+ páginas)
+Extracción inteligente con truncado después de límite
+
+### ✅ PDFs con Páginas Duplicadas
+Detección automática y eliminación
+
+### ✅ Múltiples PDFs en Chat
+Cada uno procesado independientemente con su límite
+
+## Indicadores de Estado
+
+### En Logs del Servidor
+```
+📄 PDF procesado: documento.pdf - 25000 caracteres, 10/10 páginas
+📄 PDF procesado: manual.pdf - 50000 caracteres, 15/20 páginas (TRUNCADO)
+```
+
+### En Respuesta al Cliente
+```json
+{
+  "attached_files": [
+    {
+      "filename": "manual.pdf",
+      "type": "application/pdf",
+      "pages": 20,
+      "pages_processed": 15,
+      "total_chars": 75000,
+      "truncated": true
+    }
+  ]
+}
+```
+
+## Próximas Mejoras Potenciales
+
+1. **Chunking Inteligente**: Para PDFs muy grandes, dividir en chunks semánticos
+2. **OCR Integrado**: Detectar PDFs escaneados y aplicar OCR automático
+3. **Resumen Automático**: Para PDFs grandes, generar resumen antes de análisis
+4. **Cache de Extracciones**: Guardar texto extraído en DB para reutilización
+
+## Migración
+
+No requiere migración de base de datos. Los cambios son retrocompatibles.
+
+## Testing
+
+Para probar las mejoras:
+
+1. **PDF pequeño** (< 10 páginas): Debe procesarse completo
+2. **PDF grande** (> 50 páginas): Debe truncarse y reportar info
+3. **PDF con duplicados**: Debe eliminar páginas repetidas
+4. **Múltiples PDFs**: Cada uno procesado independientemente
+
+## Notas Técnicas
+
+- La función `extract_pdf_text_smart()` está en `main.py` línea ~210
+- Usa `pypdf.PdfReader` para extracción
+- Maneja encoding UTF-8 automáticamente
+- Thread-safe (usa BytesIO)