feat: Implement main application shell with navigation and color scheme toggle

- Added Appshell component with responsive navbar and main content area - Integrated ColorSchemeToggle for light/dark mode switching - Created Welcome component with styled title and introductory text - Developed ChatPage for LLM interaction with WebSocket support - Implemented Biblioteca for managing notes with rich text editor - Added LoginPage for user authentication with error handling - Introduced MessageList and MessageBubble components for chat messages - Styled components with CSS modules for consistent design
2025-06-21 02:01:21 +02:00
parent 3d5deef0fb
commit aef8791151
101 changed files with 169 additions and 166 deletions
@@ -0,0 +1,44 @@
+# backend/domains/llm/agent_endpoints.py
+
+from fastapi import APIRouter, HTTPException
+from fastapi.responses import StreamingResponse
+from pydantic import BaseModel
+from fastapi.concurrency import run_in_threadpool
+
+from backend.backend_domains.llms.llm_chat_srvc import construir_agente_llm, responder, responder_stream
+from domains.Logger.logger_db import LoggerDB, logger
+from entrypoint.init_db import db_credencial
+
+LoggerDB(db_credencial, "logger_llm", created_by="sistema")
+
+router = APIRouter()
+agente = construir_agente_llm()  # inicializa el agente una vez
+
+# 📥 Schema para entrada de prompt
+class ChatInput(BaseModel):
+    prompt: str
+
+# ✅ Endpoint de respuesta simple
+@router.post("/chat", summary="Enviar prompt y obtener respuesta completa del agente")
+async def chat_endpoint(data: ChatInput):
+    try:
+        return await responder(data.prompt, agente)
+    except ValueError as e:
+        raise HTTPException(status_code=400, detail=str(e))
+    except Exception as e:
+        logger.exception("[ERROR] Fallo durante respuesta del agente:")
+        raise HTTPException(status_code=500, detail="Error interno al procesar la solicitud.")
+
+# 🔁 Endpoint de streaming
+@router.post("/chat-stream", summary="Enviar prompt y recibir respuesta del agente en streaming")
+async def chat_stream_endpoint(data: ChatInput):
+    try:
+        return StreamingResponse(
+            responder_stream(data.prompt, agente),
+            media_type="text/plain"
+        )
+    except ValueError as e:
+        raise HTTPException(status_code=400, detail=str(e))
+    except Exception as e:
+        logger.exception("[ERROR] Fallo durante respuesta en streaming:")
+        raise HTTPException(status_code=500, detail="Error interno en el agente.")
@@ -0,0 +1,84 @@
+# src/services/agent_service.py
+
+from domains.ApiKeys.openai_apikey_mmr import OpenAICredencialRepo
+from domains.ConexionSql.Postgres_conexion import PostgresConexion
+from domains.ConexionApis.OpenAi_conexion import OpenAICliente
+from domains.Llms.Modelos.Openai_model import ModeloOpenAI
+from domains.Llms.Agente import AgenteAI
+from domains.Llms.Memory.postgres_MemoryConv import MemoryConvPostgres
+from domains.Llms.MCPs.McpClient import MCPClient
+from domains.Llms.MCPs.McpClient_Registry import ClientRegistry
+from entrypoint.init_db import db_credencial
+
+from domains.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
@@ -0,0 +1,35 @@
+from fastapi import WebSocket, APIRouter, WebSocketDisconnect
+from backend.backend_domains.llms.llm_chat_srvc import construir_agente_llm
+from domains.Logger.logger_db import LoggerDB, logger
+from entrypoint.init_db import db_credencial
+import json
+
+LoggerDB(db_credencial, "logger_llm_ws", created_by="sistema")
+
+router = APIRouter()
+agente = construir_agente_llm()
+
+@router.websocket("/ws/chat")
+async def chat_ws(websocket: WebSocket):
+    await websocket.accept()
+    try:
+        data = await websocket.receive_text()
+        parsed = json.loads(data)
+        prompt = parsed.get("prompt")
+        if not prompt:
+            await websocket.send_text("⚠️ Prompt vacío.")
+            await websocket.close()
+            return
+
+        # ✅ Solución: hacer await antes de iterar
+        respuesta_gen = await agente.interactuar_en_bucle(prompt=prompt, stream=True)
+        async for token in respuesta_gen:
+            await websocket.send_text(token)
+
+        await websocket.close()
+
+    except WebSocketDisconnect:
+        logger.info("🔌 WebSocket desconectado por el cliente.")
+    except Exception as e:
+        logger.exception("❌ Error en WebSocket:")
+        await websocket.close()