feat: Implement WebSocket support for chat functionality and refactor chat service

- Added WebSocket endpoint for real-time chat interactions.
- Refactored ChatPage component to utilize WebSocket for sending and receiving messages.
- Updated chat service to handle streaming responses from the LLM agent.
- Introduced error handling for WebSocket connections and message processing.
- Modified Editor_Test to include AppShellWithMenu for better layout.
- Adjusted file path in generar_tree.py for correct directory structure.
- Created llm_chat_endpoint_v1.py and llm_chat_srvc.py for handling chat requests and responses.
- Established logging for WebSocket interactions and errors.

backend/domains/llms/llm_chat_srvc.py

@@ -0,0 +1,84 @@
+# src/services/agent_service.py
+
+from src.ApiKeys.openai_apikey_mmr import OpenAICredencialRepo
+from src.ConexionSql.Postgres_conexion import PostgresConexion
+from src.ConexionApis.OpenAi_conexion import OpenAICliente
+from src.Llms.Modelos.Openai_model import ModeloOpenAI
+from src.Llms.Agente import AgenteAI
+from src.Llms.Memory.postgres_MemoryConv import MemoryConvPostgres
+from src.Llms.MCPs.McpClient import MCPClient
+from src.Llms.MCPs.McpClient_Registry import ClientRegistry
+from entrypoint.init_db import db_credencial
+
+from src.Logger.logger_db import LoggerDB, logger
+LoggerDB(db_credencial, "logger_llm", created_by="sistema")
+
+from typing import AsyncGenerator
+
+# 🔧 Inicialización única del agente
+def construir_agente_llm() -> AgenteAI:
+    logger.info("[INICIO] Inicializando agente LLM...")
+
+    conexion = PostgresConexion(db_credencial)
+
+    # Paso 1: Obtener credencial
+    repo = OpenAICredencialRepo(conexion)
+    credencial = repo.get_by_id("OPAK20250513-61b29978b7604031014")
+    if not credencial:
+        raise ValueError("No se encontró la credencial OpenAI")
+
+    logger.debug(f"[OK] Credencial OpenAI cargada: {credencial.titulo}")
+
+    # Paso 2: Crear cliente
+    cliente = OpenAICliente(credencial)
+
+    # Paso 3: Instanciar modelo
+    modelo = ModeloOpenAI(
+        cliente=cliente,
+        model="gpt-4o",
+        temperature=1
+    )
+
+    # Paso 4: Memoria en PostgreSQL
+    memoria = MemoryConvPostgres(
+        credencial=db_credencial,
+        nombre_tabla="memoria_conversacion_pruebas",
+        k=10
+    )
+
+    # Paso 5: Herramientas MCP (ej. archivos)
+    archivos = MCPClient.from_http(
+        name="files",
+        url="http://127.0.0.1:4201/fs"
+    )
+    registry = ClientRegistry()
+    registry.add("files", archivos)
+
+    # Paso 6: Agente
+    agente = AgenteAI(
+        modelo=modelo,
+        nombre="Asistente Inteligente",
+        descripcion="",
+        system_prompt="",
+        rol="asistente",
+        objetivos=[],
+        max_iterations=0,
+        memoria=memoria,
+        mcp=registry
+    )
+
+    logger.success("[OK] Agente LLM listo.")
+    return agente
+
+# ⚡ Función simple
+async def responder(prompt: str, agente: AgenteAI) -> str:
+    logger.info(f"[Petición] Prompt recibido: {prompt[:50]}...")
+    respuesta = await agente.interactuar_en_bucle(prompt=prompt, stream=False)
+    logger.debug(f"[Respuesta] {respuesta[:100]}...")
+    return respuesta
+
+# 🔁 Función en streaming
+async def responder_stream(prompt: str, agente: AgenteAI) -> AsyncGenerator[str, None]:
+    logger.info(f"[Streaming] Prompt recibido: {prompt[:50]}...")
+    async for token in agente.interactuar_en_bucle(prompt=prompt, stream=True):
+        yield token