Berack96
3e746cdd45
- Update Dockerfile, docker-compose - fixed app instructions not working - fixed json ouput sanification - added tests for predictor
67 lines
2.8 KiB
Python
67 lines
2.8 KiB
Python
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.models import Models
|
|
|
|
|
|
class ToolAgent:
|
|
"""
|
|
Classe principale che coordina gli agenti per rispondere alle richieste dell'utente.
|
|
available_models: lista dei modelli disponibili (Models.availables()).
|
|
all_styles: lista degli stili di previsione disponibili (PredictorStyle).
|
|
"""
|
|
|
|
def __init__(self, available_models: list[Models], all_styles: list[PredictorStyle]):
|
|
"""
|
|
Inizializza l'agente con i modelli e gli stili disponibili.
|
|
"""
|
|
self.available_models = available_models
|
|
self.all_styles = all_styles
|
|
|
|
self.market = get_first_available_market_api(currency="USD")
|
|
self.choose_provider(0) # Default to the first model
|
|
|
|
def choose_provider(self, index: int):
|
|
"""
|
|
Sceglie il modello LLM da utilizzare in base all'indice fornito.
|
|
index: indice del modello nella lista available_models.
|
|
"""
|
|
# 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.news_agent = NewsAgent()
|
|
self.social_agent = SocialAgent()
|
|
|
|
def interact(self, query: str, style_index: int):
|
|
"""
|
|
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.
|
|
"""
|
|
|
|
# Step 1: raccolta analisi
|
|
cryptos = ["BTC", "ETH", "XRP", "LTC", "BCH"] # TODO rendere dinamico in futuro
|
|
market_data = self.market.get_products(cryptos)
|
|
news_sentiment = self.news_agent.analyze(query)
|
|
social_sentiment = self.social_agent.analyze(query)
|
|
|
|
# Step 2: aggrega sentiment
|
|
sentiment = f"{news_sentiment}\n{social_sentiment}"
|
|
|
|
# Step 3: previsione
|
|
inputs = predictor.prepare_inputs(
|
|
data=market_data,
|
|
style=self.all_styles[style_index],
|
|
sentiment=sentiment
|
|
)
|
|
|
|
prediction = self.predictor.run(inputs)
|
|
output = Models.extract_json_str_from_response(prediction.content)
|
|
|
|
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}"
|