src/app/agents/core.py

@@ -45,28 +45,28 @@ class PipelineInputs:
         """
         Sceglie il modello LLM da usare per l'analizzatore di query.
         """
-        assert index >= 0 and index < len(self.configs.models.all_models), "Index out of range for models list."
+        assert 0 <= index < len(self.configs.models.all_models), "Index out of range for models list."
         self.query_analyzer_model = self.configs.models.all_models[index]
 
     def choose_team_leader(self, index: int):
         """
         Sceglie il modello LLM da usare per il Team Leader.
         """
-        assert index >= 0 and index < len(self.configs.models.all_models), "Index out of range for models list."
+        assert 0 <= index < len(self.configs.models.all_models), "Index out of range for models list."
         self.team_leader_model = self.configs.models.all_models[index]
 
     def choose_team(self, index: int):
         """
         Sceglie il modello LLM da usare per il Team.
         """
-        assert index >= 0 and index < len(self.configs.models.all_models), "Index out of range for models list."
+        assert 0 <= index < len(self.configs.models.all_models), "Index out of range for models list."
         self.team_model = self.configs.models.all_models[index]
 
     def choose_report_generator(self, index: int):
         """
         Sceglie il modello LLM da usare per il generatore di report.
         """
-        assert index >= 0 and index < len(self.configs.models.all_models), "Index out of range for models list."
+        assert 0 <= index < len(self.configs.models.all_models), "Index out of range for models list."
         self.report_generation_model = self.configs.models.all_models[index]
 
     def choose_strategy(self, index: int):
@@ -111,6 +111,7 @@ class PipelineInputs:
             name="CryptoAnalysisTeam",
             tools=[ReasoningTools(), PlanMemoryTool(), CryptoSymbolsTools()],
             members=[market_agent, news_agent, social_agent],
+            stream_intermediate_steps=True
         )
 
     def get_agent_query_checker(self) -> Agent:

src/app/agents/pipeline.py

@@ -84,6 +84,25 @@ class Pipeline:
         result = await self.run(workflow, query, events=events)
         return result
 
+    async def interact_stream(self, listeners: list[tuple[PipelineEvent, Callable[[Any], None]]] = []):
+        """
+        Versione asincrona in streaming che ESEGUE (yield) la pipeline,
+        restituendo gli aggiornamenti di stato e il risultato finale.
+        """
+        run_id = random.randint(1000, 9999)  # Per tracciare i log
+        logging.info(f"[{run_id}] Pipeline query: {self.inputs.user_query}")
+
+        events = [*PipelineEvent.get_log_events(run_id), *listeners]
+        query = QueryInputs(
+            user_query=self.inputs.user_query,
+            strategy=self.inputs.strategy.description
+        )
+
+        workflow = self.build_workflow()
+
+        # Delega al classmethod 'run_stream' per lo streaming
+        async for item in self.run_stream(workflow, query, events=events):
+            yield item
 
     def build_workflow(self) -> Workflow:
         """
@@ -114,33 +133,88 @@ class Pipeline:
         ])
 
     @classmethod
-    async def run(cls, workflow: Workflow, query: QueryInputs, events: list[tuple[PipelineEvent, Callable[[Any], None]]]) -> str:
+    async def run(cls, workflow: Workflow, query: QueryInputs,
+                  events: list[tuple[PipelineEvent, Callable[[Any], None]]]) -> str:
         """
-        Esegue il workflow e gestisce gli eventi tramite le callback fornite.
-        Args:
-            workflow: istanza di Workflow da eseguire
-            query: query dell'utente da passare al workflow
-            events: dizionario di callback per eventi specifici (opzionale)
-        Returns:
-            La risposta generata dal workflow.
+        Esegue il workflow e gestisce gli eventi, restituendo solo il risultato finale.
+        Consuma il generatore 'run_stream'.
+        """
+        final_result = "Errore durante l'esecuzione del workflow."
+        # Consuma il generatore e salva solo l'ultimo item
+        async for item in cls.run_stream(workflow, query, events):
+            final_result = item
+
+        return final_result
+
+    @classmethod
+    async def run_stream(cls, workflow: Workflow, query: QueryInputs,
+                         events: list[tuple[PipelineEvent, Callable[[Any], None]]]):
+        """
+        Esegue il workflow e restituisce gli eventi di stato e il risultato finale.
         """
         iterator = await workflow.arun(query, stream=True, stream_intermediate_steps=True)
-
         content = None
+        current_active_step = None
+
         async for event in iterator:
             step_name = getattr(event, 'step_name', '')
+
+            # 1. Chiama i listeners (per i log)
             for app_event, listener in events:
                 if app_event.check_event(event.event, step_name):
                     listener(event)
-            if event.event == WorkflowRunEvent.step_completed:
+
+            # 2. Restituisce gli aggiornamenti di stato per Gradio
+            if event.event == WorkflowRunEvent.step_started.value:
+                current_active_step = step_name
+                if step_name == PipelineEvent.QUERY_CHECK.value:
+                    yield "🔍 Sto controllando la tua richiesta..."
+                elif step_name == PipelineEvent.INFO_RECOVERY.value:
+                    yield "📊 Sto recuperando i dati (mercato, news, social)..."
+                elif step_name == PipelineEvent.REPORT_GENERATION.value:
+                    yield "✍️ Sto scrivendo il report finale..."
+
+            # Gestisce i tool usati da agenti singoli (come Query Check)
+            elif event.event == WorkflowRunEvent.step_output.value:
+                agent_event = event.content
+                if hasattr(agent_event, 'event') and agent_event.event == RunEvent.tool_call_completed.value:
+                    tool_name = getattr(agent_event.tool, 'tool_name', 'uno strumento')
+                    yield f"🛠️ Sto usando lo strumento: {tool_name}..."
+
+            # Gestisce i tool usati da agenti interni al team (come CustomEvent)
+            elif event.event == WorkflowRunEvent.custom_event.value:
+                custom_content = getattr(event, 'content', None)
+                if custom_content and hasattr(custom_content, 'event'):
+                    agent_event = custom_content
+                    if agent_event.event == RunEvent.tool_call_completed.value:
+                        if step_name == PipelineEvent.INFO_RECOVERY.value:
+                            tool_name = getattr(agent_event.tool, 'tool_name', 'uno strumento')
+                            yield f"🛠️ (Team) Sto usando lo strumento: {tool_name}..."
+
+            # Gestisce gli eventi di tool promossi dal Team
+            elif event.event == PipelineEvent.TOOL_USED.value:
+                # Ci assicuriamo che l'evento provenga dallo step corretto
+                if current_active_step == PipelineEvent.INFO_RECOVERY.value:
+                    tool_object = getattr(event, 'tool', None)
+                    if tool_object:
+                        tool_name = getattr(tool_object, 'tool_name', 'uno strumento')
+                        yield f"🛠️ (Team) Sto usando lo strumento: {tool_name}..."
+                    else:
+                        yield f"🛠️ (Team) Sto usando uno strumento sconosciuto..."
+
+            # 3. Salva il contenuto finale quando uno step è completato
+            elif event.event == WorkflowRunEvent.step_completed.value:
+                current_active_step = None
                 content = getattr(event, 'content', '')
 
+        # 4. Restituisce la risposta finale
         if content and isinstance(content, str):
             think_str = "</think>"
             think = content.rfind(think_str)
-            return content[(think + len(think_str)):] if think != -1 else content
-        if content and isinstance(content, QueryOutputs):
-            return content.response
-
-        logging.error(f"No output from workflow: {content}")
-        return "No output from workflow, something went wrong."
+            final_answer = content[(think + len(think_str)):] if think != -1 else content
+            yield final_answer
+        elif content and isinstance(content, QueryOutputs):
+            yield content.response
+        else:
+            logging.error(f"No output from workflow: {content}")
+            yield "Nessun output dal workflow, qualcosa è andato storto."

src/app/interface/chat.py

@@ -49,13 +49,23 @@ class ChatManager:
     ########################################
     # Funzioni Gradio
     ########################################
-    def gradio_respond(self, message: str, history: list[tuple[str, str]]) -> str:
+    async def gradio_respond(self, message: str, history: list[tuple[str, str]]):
+        """
+        Versione asincrona in streaming.
+        Produce (yield) aggiornamenti di stato e la risposta finale.
+        """
         self.inputs.user_query = message
         pipeline = Pipeline(self.inputs)
-        response = pipeline.interact()
 
-        self.history.append((message, response))
-        return response
+        response = None
+        # Itera sul nuovo generatore asincrono
+        async for chunk in pipeline.interact_stream():
+            response = chunk  # Salva l'ultimo chunk (che sarà la risposta finale)
+            yield response  # Restituisce l'aggiornamento (o la risposta finale) a Gradio
+
+        # Dopo che il generatore è completo, salva l'ultima risposta nello storico
+        if response:
+            self.history.append((message, response))
 
     def gradio_save(self) -> str:
         self.save_chat("chat.json")