Riorganizzati gli import

src/app/agents/__init__.py

@@ -1,110 +1,5 @@
-import os
-import requests
-from enum import Enum
-from agno.agent import Agent
-from agno.models.base import Model
-from agno.models.google import Gemini
-from agno.models.ollama import Ollama
-from agno.tools import Toolkit
-from agno.utils.log import log_warning #type: ignore
-from pydantic import BaseModel
+from app.agents.models import AppModels
+from app.agents.predictor import PredictorInput, PredictorOutput, PredictorStyle, PREDICTOR_INSTRUCTIONS
+from app.agents.team import create_team_with
 
-
-class AppModels(Enum):
-    """
-    Enum per i modelli supportati.
-    Aggiungere nuovi modelli qui se necessario.
-    Per quanto riguarda Ollama, i modelli dovranno essere scaricati e installati
-    localmente seguendo le istruzioni di https://ollama.com/docs/guide/install-models
-    """
-    GEMINI = "gemini-2.0-flash" # API online
-    GEMINI_PRO = "gemini-2.0-pro" # API online, più costoso ma migliore
-    OLLAMA_GPT = "gpt-oss:latest" # + good - slow (13b)
-    OLLAMA_QWEN = "qwen3:latest" # + good + fast (8b)
-    OLLAMA_QWEN_4B = "qwen3:4b" # + fast + decent (4b)
-    OLLAMA_QWEN_1B = "qwen3:1.7b" # + very fast + decent (1.7b)
-
-    @staticmethod
-    def availables_local() -> list['AppModels']:
-        """
-        Controlla quali provider di modelli LLM locali sono disponibili.
-        Ritorna una lista di provider disponibili.
-        """
-        ollama_host = os.getenv("OLLAMA_HOST", "http://localhost:11434")
-        result = requests.get(f"{ollama_host}/api/tags")
-        if result.status_code != 200:
-            log_warning(f"Ollama is not running or not reachable {result}")
-            return []
-
-        availables: list[AppModels] = []
-        result = result.text
-        for model in [model for model in AppModels if model.name.startswith("OLLAMA")]:
-            if model.value in result:
-                availables.append(model)
-        return availables
-
-    @staticmethod
-    def availables_online() -> list['AppModels']:
-        """
-        Controlla quali provider di modelli LLM online hanno le loro API keys disponibili
-        come variabili d'ambiente e ritorna una lista di provider disponibili.
-        """
-        if not os.getenv("GOOGLE_API_KEY"):
-            log_warning("No GOOGLE_API_KEY set in environment variables.")
-            return []
-        availables = [AppModels.GEMINI, AppModels.GEMINI_PRO]
-        return availables
-
-    @staticmethod
-    def availables() -> list['AppModels']:
-        """
-        Controlla quali provider di modelli LLM locali sono disponibili e quali
-        provider di modelli LLM online hanno le loro API keys disponibili come variabili
-        d'ambiente e ritorna una lista di provider disponibili.
-        L'ordine di preferenza è:
-        1. Gemini (Google)
-        2. Ollama (locale)
-        """
-        availables = [
-            *AppModels.availables_online(),
-            *AppModels.availables_local()
-        ]
-        assert availables, "No valid model API keys set in environment variables."
-        return availables
-
-    def get_model(self, instructions:str) -> Model:
-        """
-        Restituisce un'istanza del modello specificato.
-        Args:
-            instructions: istruzioni da passare al modello (system prompt).
-        Returns:
-             Un'istanza di BaseModel o una sua sottoclasse.
-        Raise:
-            ValueError se il modello non è supportato.
-        """
-        name = self.value
-        if self in {model for model in AppModels if model.name.startswith("GEMINI")}:
-            return Gemini(name, instructions=[instructions])
-        elif self in {model for model in AppModels if model.name.startswith("OLLAMA")}:
-            return Ollama(name, instructions=[instructions])
-
-        raise ValueError(f"Modello non supportato: {self}")
-
-    def get_agent(self, instructions: str, name: str = "", output: BaseModel | None = None, tools: list[Toolkit] = []) -> Agent:
-        """
-        Costruisce un agente con il modello e le istruzioni specificate.
-        Args:
-            instructions: istruzioni da passare al modello (system prompt)
-            name: nome dell'agente (opzionale)
-            output: schema di output opzionale (Pydantic BaseModel)
-        Returns:
-             Un'istanza di Agent.
-        """
-        return Agent(
-            model=self.get_model(instructions),
-            name=name,
-            retries=2,
-            tools=tools,
-            delay_between_retries=5, # seconds
-            output_schema=output.__class__ if output else None # se si usa uno schema di output, lo si passa qui
-        )
+__all__ = ["AppModels", "PredictorInput", "PredictorOutput", "PredictorStyle", "PREDICTOR_INSTRUCTIONS", "create_team_with"]