# 1. Crear un entorno virtual
python -m venv venv
source venv/bin/activate   # Windows: venv\Scripts\activate

# 2. Instalar dependencias
pip install google-auth google-auth-oauthlib google-api-python-client transformers torch

import os, json, datetime
from google.oauth2.credentials import Credentials
from google_auth_oauthlib.flow import InstalledAppFlow
from googleapiclient.discovery import build
from transformers import AutoModelForCausalLM, AutoTokenizer

# -------------------------------------------------
# 1. Autenticación con Google (cifrado en tránsito)
# -------------------------------------------------
SCOPES = ["https://www.googleapis.com/auth/calendar"]
def get_service():
    creds = None
    token_path = "token.json"
    if os.path.exists(token_path):
        creds = Credentials.from_authorized_user_file(token_path, SCOPES)
    if not creds or not creds.valid:
        flow = InstalledAppFlow.from_client_secrets_file("credentials.json", SCOPES)
        creds = flow.run_local_server(port=0)
        with open(token_path, "w") as f:
            f.write(creds.to_json())
    return build("calendar", "v3", credentials=creds)

service = get_service()

# -------------------------------------------------
# 2. Cargar modelo de IA local (sin salir de tu máquina)
# -------------------------------------------------
model_name = "mistralai/Mistral-7B-Instruct-v0.2"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")

def ask_ai(prompt: str) -> str:
    inputs = tokenizer(prompt, return_tensors="pt")
    output = model.generate(**inputs, max_new_tokens=150, do_sample=True, temperature=0.7)
    return tokenizer.decode(output[0], skip_special_tokens=True)

# -------------------------------------------------
# 3. Función práctica: crear un evento a partir de texto natural
# -------------------------------------------------
def crear_evento_desde_texto(texto: str):
    # 3.1 Preguntamos a la IA por los campos del evento
    prompt = f"""
    Extrae la información necesaria para crear un evento de Google Calendar a partir del siguiente texto:
    \"\"\"{texto}\"\"\"
    Responde en JSON con los campos: summary, location (opcional), start (ISO 8601), end (ISO 8601), description (opcional).
    """
    respuesta = ask_ai(prompt)
    datos = json.loads(respuesta)

    # 3.2 Llamada a la API de Calendar
    evento = {
        "summary": datos["summary"],
        "location": datos.get("location", ""),
        "description": datos.get("description", ""),
        "start": {"dateTime": datos["start"], "timeZone": "Europe/Madrid"},
        "end":   {"dateTime": datos["end"],   "timeZone": "Europe/Madrid"},
    }
    created = service.events().insert(calendarId="primary", body=evento).execute()
    print(f"✅ Evento creado: {created.get('htmlLink')}")

# -------------------------------------------------
# 4. Uso rápido
# -------------------------------------------------
texto_usuario = "Reúnete con el equipo de producto el próximo martes a las 10 h en la sala 3B y discute la hoja de ruta Q4."
crear_evento_desde_texto(texto_usuario)

pip install cryptography

from cryptography.fernet import Fernet

# Genera una clave única y guárdala en un lugar seguro
key = Fernet.generate_key()
cipher = Fernet(key)

def encrypt_event(evento: dict) -> dict:
    payload = json.dumps(evento).encode()
    encrypted = cipher.encrypt(payload)
    return {"encrypted_payload": encrypted.decode()}

# Al crear el evento, cifra los datos y guarda la clave en tu vault
evento_cifrado = encrypt_event(evento)
# ... envía evento_cifrado a tu backend propio antes de la llamada a Google