From eac2ed02a4a8610afb0455f4b91be44be85abb4e Mon Sep 17 00:00:00 2001
From: Juan <jm0x@proton.me>
Date: Mon, 11 May 2026 14:38:52 +0200
Subject: [PATCH] =?UTF-8?q?fix(guardrails):=20Presidio=20usa=20en=5Fcore?=
 =?UTF-8?q?=5Fweb=5Fsm=20cacheado=20(en=5Fcore=5Fweb=5Flg=20no=20est=C3=A1?=
 =?UTF-8?q?=20en=20la=20imagen)?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

`detect_pii` instanciaba `AnalyzerEngine()` sin configuración, así que Presidio
intentaba cargar su modelo por defecto `en_core_web_lg` (~560 MB), que no está en
la imagen Docker — `core/Dockerfile` instala `en_core_web_sm`. Resultado: el
validador fallaba con `[E050] Can't find model 'en_core_web_lg'` y, al ser la
política fail-closed, *toda* invocación quedaba `blocked_by_guardrail`. Además se
reinstanciaba el engine en cada llamada (caro; probablemente la causa del crash del
proceso al segundo invoke). Ahora:
  - `_presidio_analyzer()`: singleton perezoso con `NlpEngineProvider` → `en_core_web_sm`.
  - si Presidio no está instalado o el modelo no carga, se hace fallback a la
    detección por regex (antes solo se hacía fallback ante ImportError).
Detectado ejecutando el smoke de docker-compose (el venv local no tiene Presidio,
así que los tests usan la rama de regex y no lo veían).

Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
---
 .../agentforge_core/guardrails/validators.py  | 34 ++++++++++++++++---
 1 file changed, 30 insertions(+), 4 deletions(-)

diff --git a/core/src/agentforge_core/guardrails/validators.py b/core/src/agentforge_core/guardrails/validators.py
index b0d128b..26b0b3a 100644
--- a/core/src/agentforge_core/guardrails/validators.py
+++ b/core/src/agentforge_core/guardrails/validators.py
@@ -21,6 +21,33 @@ _INJECTION_PATTERNS = [
     r"reveal (the )?(system|hidden) (prompt|instruction)",
 ]
 
+# Singleton perezoso del AnalyzerEngine de Presidio. Construirlo es caro (carga el
+# modelo spaCy y los recognizers), así que se reutiliza entre llamadas.
+_PRESIDIO_ANALYZER: Any = None
+
+
+def _presidio_analyzer() -> Any:
+    """``AnalyzerEngine`` de Presidio configurado con el modelo spaCy ``en_core_web_sm``.
+
+    Presidio usa por defecto ``en_core_web_lg`` (~560 MB), que **no** está en la imagen
+    Docker: ``core/Dockerfile`` instala ``en_core_web_sm``. Si Presidio no está instalado
+    o el modelo no se puede cargar, esto lanza y el llamador (`detect_pii`) hace fallback
+    a la detección por regex.
+    """
+    global _PRESIDIO_ANALYZER
+    if _PRESIDIO_ANALYZER is None:
+        from presidio_analyzer import AnalyzerEngine
+        from presidio_analyzer.nlp_engine import NlpEngineProvider
+
+        nlp_engine = NlpEngineProvider(
+            nlp_configuration={
+                "nlp_engine_name": "spacy",
+                "models": [{"lang_code": "en", "model_name": "en_core_web_sm"}],
+            }
+        ).create_engine()
+        _PRESIDIO_ANALYZER = AnalyzerEngine(nlp_engine=nlp_engine)
+    return _PRESIDIO_ANALYZER
+
 
 def _violation(
     *,
@@ -45,11 +72,11 @@ def _violation(
 def detect_pii(
     text: str, config: dict[str, Any], trace_id: UUID, stage: str
 ) -> list[GuardrailViolation]:
-    """Detección PII vía Presidio Analyzer (con fallback a regex si no está instalado)."""
+    """Detección PII vía Presidio Analyzer (con fallback a regex si no está disponible)."""
     try:
-        from presidio_analyzer import AnalyzerEngine
+        analyzer = _presidio_analyzer()
     except Exception:
-        # Si Presidio no está, fallback a regex básica
+        # Presidio no instalado o modelo spaCy no disponible → fallback a regex básica.
         return _pii_regex_fallback(text, config, trace_id, stage)
 
     entities = config.get(
@@ -59,7 +86,6 @@ def detect_pii(
     sev = config.get("severity_on_match", "block")
     blocked = sev == "block"
 
-    analyzer = AnalyzerEngine()
     results = analyzer.analyze(text=text, entities=entities, language="en")
     if not results:
         return []