dimitrievgs f27a84c670 Add build scripts

2026-06-06 19:29:23 +03:00

21 KiB

Raw Blame History

Для реализации вашего комплексного агента с учётом всех требований предлагаю следующий план и архитектуру. Ниже — ключевые моменты, архитектурные решения и рекомендации, а в конце — пример кода для базового LLM-клиента с заглушкой под Ollama и интеграцией Gemini через LangChain.

1. Поддержка только внешних моделей (Gemini и Mistral), заглушка под Ollama

В MODELS оставляем только внешние модели, как вы указали.
Создаём пустой словарь LOCAL_MODELS = {} для будущей интеграции Ollama.
Для Gemini используем официальный LangChain-пакет langchain-google-genai (рекомендуется, т.к. поддерживает чат, vision, структурированные ответы).
Для Mistral — пока простой HTTP-клиент (зависит от API).

2. Веб-интерфейс (React + React Flow + Dagre)

Три панели:
- Левая — история диалогов (ветки графа)
- Средняя — визуализация графа сообщений (React Flow + Dagre для layout)
- Правая — чат с выбранной веткой (последовательность сообщений от корня до выбранного узла)
Активный чат — выбранный лист графа. Новое сообщение добавляет новый лист (ребёнок) в граф.
При клике на узел графа показываем в чате цепочку сообщений от корня до этого узла.
Ноды разного цвета: пользователь — один цвет, LLM — другой.
Для хранения истории и графа — локальное хранилище (IndexedDB) или backend (например, FastAPI + БД).
Для суммаризации истории и формирования промптов:
- Использовать суммаризацию через LLM (например, Gemini) — для сжатия истории до лимита токенов.
- Альтернативно — скользящее окно последних сообщений с ограничением по токенам.
- Можно комбинировать: последние N сообщений + суммаризация более старых.

3. Бесплатное решение и работа на GTX 1060 Ti

Для LLM — использовать только внешние API (Gemini, Mistral), чтобы не нагружать локальную видеокарту.
Для визуализации — React + React Flow — лёгкие и бесплатные.
Для анализа изображений — использовать возможности Gemini Vision или внешние бесплатные API (например, CLIP + локальный сервер, если потребуется).
Для git — локальные команды через subprocess (git diff) — бесплатно.
Для субтитров — интеграция с выбранной платформой звонков (см. ниже).

4. Описание и стиль

Подробные комментарии в коде.
Документация API.
UI с подсказками и автодополнением.
Локализация на русский.

5. Платформа для видеозвонков с субтитрами

Варианты:

Платформа	Особенности субтитров	API для извлечения субтитров
Zoom	Автоматические субтитры, можно получать через API	Есть Webhooks и API для получения транскриптов
Microsoft Teams	Автоматические субтитры, API ограничены	Можно использовать Graph API для записи
Google Meet	Субтитры в реальном времени, API нет	Можно использовать сторонние решения для захвата
Jitsi	Открытый исходный код, можно интегрировать субтитры	Можно реализовать собственный плагин

Рекомендация: Zoom — наиболее зрелая платформа с API для субтитров.

6. Интеграция с Obsidian

Можно запускать dataviewjs скрипты через Obsidian API.
Для интеграции в агент — сделать отдельный узел, который запускает скрипт и получает результат.
Для удалённого эндпоинта генерации изображений — сделать HTTP-клиент, который отправляет промпт и получает JSON с 4 ссылками.

7. Команды с автодополнением и контекстом

Ввод команд через слеш / в поле ввода.
Автодополнение реализуется через локальный индекс команд (хранить в папках).
При вводе / показывать popup с командами, фильтровать по введённому тексту.
Команды могут подставляться в виде /.
Можно использовать библиотеку для автокомплита (например, React Autosuggest).

8. Язык — русский

Резюме и дальнейшие шаги

Для веб-интерфейса рекомендую React + React Flow + Dagre. Можно использовать готовые шаблоны и расширять их.
Для суммаризации истории — использовать Gemini для генерации кратких резюме, комбинировать с оконным ограничением по токенам.
Для субтитров — рекомендую рассмотреть Zoom API или Jitsi с кастомной интеграцией.
Для git diff — использовать Python subprocess с git diff --staged.
Для автодополнения команд — React Autosuggest или аналогичные библиотеки.
Для генерации и анализа изображений — использовать Gemini Vision API и ваш удалённый эндпоинт с bingart.
Вся логика с графом сообщений и ветвлениями — на фронтенде и backend (FastAPI или Node.js).

Если хотите, могу помочь с примером React-приложения для визуализации графа и чата или с backend для интеграции git и субтитров.

Жду ваших комментариев или уточнений для следующего шага!

ОК
хранение через indexed db. 3.давай комбинацию gemini vision - ок пока, добавь заглушку для расширения. Пока для Google Meet и Microsoft TEams.
React Autosuggest - годится

Ваши уточнения приняты, предлагаю архитектуру и ключевые технические решения для вашего агента, а также примерный план реализации фронтенда с React Flow + Dagre и IndexedDB, и backend-структуру.

Архитектура и ключевые решения

Требование	Решение / Технология
LLM	Внешние модели Gemini и Mistral через API, заглушка под Ollama (пока пустая).
Веб-интерфейс	React + React Flow для графа + Dagre для автоматического layout, React Autosuggest для автодополнения.
Хранение истории и графа	IndexedDB (через библиотеку `idb` или `dexie.js`) для локального хранения диалогов и графа.
Визуализация графа	React Flow с динамическим пересчётом layout через Dagre (пример из [1][2][4]).
Чат с историей и ветвлениями	Правая панель — чат, показывающий цепочку сообщений от корня до выбранного узла графа.
Суммаризация истории	Комбинация: последние N сообщений + вызов Gemini для суммаризации старой истории (с учётом лимита токенов).
Анализ изображений	Использовать Gemini Vision API, заглушка для расширения.
Платформы для субтитров	Google Meet и Microsoft Teams (API для получения транскриптов, интеграция через polling или webhook).
Git интеграция	Локальный запуск `git diff --staged` через Python subprocess, формирование сообщения коммита.
Генерация изображений	Вызов удалённого эндпоинта с bingart (пример функции из вашего запроса).
Команды с автодополнением	React Autosuggest, команды хранятся в IndexedDB, показываются в popup при вводе `/`.
Язык интерфейса	Русский.

Краткое описание React Flow + Dagre для графа

Используйте пример из [1], где через dagre вычисляется layout для узлов и рёбер.
При добавлении нового сообщения создаётся новый узел и ребро к предыдущему.
При клике на узел — обновляется чат справа, показывая цепочку сообщений от корня до выбранного узла.
Используйте разные цвета и стили для нодов пользователя и LLM.
Для автодополнения команд — React Autosuggest, данные команд загружать из IndexedDB.

IndexedDB для хранения

Используйте dexie.js или idb для удобной работы с IndexedDB.
Структура БД:
- Таблица dialogs — id, название, дата создания.
- Таблица nodes — id, dialog_id, parent_id, content, role (user/llm), timestamp.
- Таблица commands — id, folder, command_text, description.

Рекомендации по дальнейшей реализации

Frontend:
- Создайте React-приложение с тремя панелями.
- Используйте React Flow с Dagre для графа (примеры из [1][2][4]).
- Реализуйте IndexedDB для хранения истории и команд.
- Подключите React Autosuggest для автодополнения команд.
Backend:
- API для вызова LLM (Gemini).
- API для git diff, генерации сообщений коммита.
- API для получения субтитров (интеграция с Google Meet / MS Teams).
- API для генерации и анализа изображений (bingart).
Суммаризация истории:
- При отправке нового сообщения формируйте промпт из последних N сообщений + краткое резюме старой истории через LLM.

Если хотите, могу помочь с примером React-компонента для графа на React Flow + Dagre или примером IndexedDB-схемы. Также могу подготовить пример автодополнения команд через React Autosuggest.

Жду ваших пожеланий по следующему шагу!

а langgrpah - здесь нужен? потому что я хочу, чтобы по слешу не просто промпты поставлялись, а целые действия выполнялись. Где-то промпт присовокупляется к запросу (но промпт не подставляется, т.е. пользователь не видит), а где неявносначала выполняется скрипт генерации с рандомизацией, а его вывод + запрос подается на вход llm через api

LangGraph — это именно тот инструмент, который вам нужен для реализации описанной логики с «целыми действиями» по слеш-командам, где:

не просто подставляются промпты, а
запускаются сложные workflow с несколькими узлами (например, генерация с рандомизацией, вызов внешних API, анализ изображений, git diff и т.д.),
с хранением состояния и ветвлением диалога в графе,
с возможностью динамически добавлять новые узлы и ветви,
и с контролем, какие промпты и когда подмешиваются к запросам (причём прозрачно для пользователя).

Почему LangGraph подходит именно для вашей задачи

Графовая модель: вы описываете логику как набор узлов (actions, LLM вызовы, скрипты), связанных рёбрами — именно это и есть LangGraph[1][3][5].
Вызов функций и внешних API: LangGraph позволяет в узлах выполнять произвольный код (скрипты, запросы), а результат подмешивать к промптам или использовать отдельно[3][4].
Состояние и память: хранит состояние диалога, можно реализовать суммаризацию, ветвления, переключение контекста[1][5].
Мультиагентность и сложные сценарии: можно объединять разные LLM, инструменты, API, что идеально для ваших слеш-команд с разными действиями[2][6].
Поддержка потоковой генерации и трассировки: удобно для интерактивных чатов с визуализацией и отладкой[5].
Расширяемость под Ollama и другие LLM: можно подключать любые модели и переключаться между ними[6].

Как это будет работать в вашем случае

Пользователь вводит в чат команду с / — фронтенд (React) через автодополнение предлагает варианты.
По выбору команды LangGraph запускает соответствующий узел или цепочку узлов:
- например, сначала запускает скрипт генерации с рандомизацией (не показывая пользователю),
- потом подмешивает результат в промпт,
- вызывает LLM через API,
- получает ответ,
- анализирует изображения,
- при необходимости вызывает git diff, субтитры и т.д.
Каждый шаг — отдельный узел графа с состоянием, что позволяет легко отлаживать и расширять логику.
Визуализация графа в React Flow отражает структуру диалога и действия агента.
Активный узел и ветвь подсвечиваются, чат показывает цепочку сообщений от корня до текущего узла.

Итог

LangGraph — это не просто вызов LLM, а полноценный оркестратор сложных агентных workflow с хранением состояния и ветвлением.
Он идеально подходит, если нужно, чтобы по слеш-командам выполнялись не только промпты, а целые сценарии с вызовами функций, API, анализом и генерацией.
Простые случаи (только промпты) можно реализовать и без него, но для вашей задачи с динамическими действиями и состоянием — LangGraph значительно упростит поддержку и масштабирование.

21 KiB Raw Blame History Unescape Escape