Refactor market system and improve app configuration

- Refactor market system from singleton function to class-based architecture with MarketAPIs
- Add automatic API key detection for Coinbase and CryptoCompare wrappers
- Improve error handling and logging with agno.utils.log throughout the application
- Split Models class into separate methods for online and local model availability
- Add proper JSON response extraction with thinking pattern support
- Enhance ToolAgent with better state management for provider and style selection
- Update Gradio app with proper server configuration and logging

src/app/tool.py

@@ -1,10 +1,10 @@
 from app.agents.news_agent import NewsAgent
 from app.agents.social_agent import SocialAgent
-from app.agents import predictor
 from app.agents.predictor import PredictorStyle
-from app.markets import get_first_available_market_api
+from app.agents import predictor
+from app.markets import MarketAPIs
 from app.models import Models
-
+from agno.utils.log import log_info
 
 class ToolAgent:
     """
@@ -17,8 +17,9 @@ class ToolAgent:
         """
         self.available_models = Models.availables()
         self.all_styles = list(PredictorStyle)
+        self.style = self.all_styles[0]  # Default to the first style
 
-        self.market = get_first_available_market_api(currency="USD")
+        self.market = MarketAPIs(currency="USD")
         self.choose_provider(0) # Default to the first model
 
     def choose_provider(self, index: int):
@@ -29,18 +30,26 @@ class ToolAgent:
         # TODO Utilizzare AGNO per gestire i modelli... è molto più semplice e permette di cambiare modello facilmente
         # TODO https://docs.agno.com/introduction
         # Inoltre permette di creare dei team e workflow di agenti più facilmente
-        chosen_model = self.available_models[index]
-        self.predictor = chosen_model.get_agent(predictor.instructions())
+        self.chosen_model = self.available_models[index]
+        self.predictor = self.chosen_model.get_agent(predictor.instructions())
         self.news_agent = NewsAgent()
         self.social_agent = SocialAgent()
 
-    def interact(self, query: str, style_index: int):
+    def choose_style(self, index: int):
+        """
+        Sceglie lo stile di previsione da utilizzare in base all'indice fornito.
+        index: indice dello stile nella lista all_styles.
+        """
+        self.style = self.all_styles[index]
+
+    def interact(self, query: str) -> str:
         """
         Funzione principale che coordina gli agenti per rispondere alla richiesta dell'utente.
         query: richiesta dell'utente (es. "Qual è la previsione per Bitcoin?")
         style_index: indice dello stile di previsione nella lista all_styles.
         """
 
+        log_info(f"[model={self.chosen_model.name}] [style={self.style.name}] [query=\"{query.replace('"', "'")}\"]")
         # TODO Step 0: ricerca e analisi della richiesta (es. estrazione di criptovalute specifiche)
         # Prendere la query dell'utente e fare un'analisi preliminare con una agente o con un team di agenti (social e news)
 
@@ -49,6 +58,7 @@ class ToolAgent:
         market_data = self.market.get_products(cryptos)
         news_sentiment = self.news_agent.analyze(query)
         social_sentiment = self.social_agent.analyze(query)
+        log_info(f"End of data collection")
 
         # Step 2: aggrega sentiment
         sentiment = f"{news_sentiment}\n{social_sentiment}"
@@ -56,12 +66,13 @@ class ToolAgent:
         # Step 3: previsione
         inputs = predictor.prepare_inputs(
             data=market_data,
-            style=self.all_styles[style_index],
+            style=self.style,
             sentiment=sentiment
         )
 
         prediction = self.predictor.run(inputs)
         output = Models.extract_json_str_from_response(prediction.content)
+        log_info(f"End of prediction")
 
         market_data = "\n".join([f"{product.symbol}: {product.price}" for product in market_data])
         return f"{market_data}\n{sentiment}\n\n📈 Consiglio finale:\n{output}"