Berack96
4615ebe63e
- use Pydantic for input & output for models - update ToolAgent to utilize new model definitions - improve test cases for consistency
89 lines
3.8 KiB
Python
89 lines
3.8 KiB
Python
from app.agents.news_agent import NewsAgent
|
|
from app.agents.social_agent import SocialAgent
|
|
from app.agents.predictor import PredictorStyle, PredictorInput, PredictorOutput, PREDICTOR_INSTRUCTIONS
|
|
from app.markets import MarketAPIs
|
|
from app.models import AppModels
|
|
from agno.utils.log import log_info
|
|
|
|
class ToolAgent:
|
|
"""
|
|
Classe principale che coordina gli agenti per rispondere alle richieste dell'utente.
|
|
"""
|
|
|
|
def __init__(self):
|
|
"""
|
|
Inizializza l'agente con i modelli disponibili, gli stili e l'API di mercato.
|
|
"""
|
|
self.available_models = AppModels.availables()
|
|
self.all_styles = list(PredictorStyle)
|
|
self.style = self.all_styles[0] # Default to the first style
|
|
|
|
self.market = MarketAPIs(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
|
|
self.chosen_model = self.available_models[index]
|
|
self.predictor = self.chosen_model.get_agent(PREDICTOR_INSTRUCTIONS, output=PredictorOutput)
|
|
self.news_agent = NewsAgent()
|
|
self.social_agent = SocialAgent()
|
|
|
|
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)
|
|
|
|
# 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)
|
|
log_info(f"End of data collection")
|
|
|
|
# Step 2: aggrega sentiment
|
|
sentiment = f"{news_sentiment}\n{social_sentiment}"
|
|
|
|
# Step 3: previsione
|
|
inputs = PredictorInput(data=market_data, style=self.style, sentiment=sentiment)
|
|
result = self.predictor.run(inputs)
|
|
prediction: PredictorOutput = result.content
|
|
log_info(f"End of prediction")
|
|
|
|
market_data = "\n".join([f"{product.symbol}: {product.price}" for product in market_data])
|
|
output = f"[{prediction.strategy}]\nPortafoglio:\n" + "\n".join(
|
|
[f"{item.asset} ({item.percentage}%): {item.motivation}" for item in prediction.portfolio]
|
|
)
|
|
|
|
return f"INPUT:\n{market_data}\n{sentiment}\n\n\nOUTPUT:\n{output}"
|
|
|
|
def list_providers(self) -> list[str]:
|
|
"""
|
|
Restituisce la lista dei nomi dei modelli disponibili.
|
|
"""
|
|
return [model.name for model in self.available_models]
|
|
|
|
def list_styles(self) -> list[str]:
|
|
"""
|
|
Restituisce la lista degli stili di previsione disponibili.
|
|
"""
|
|
return [style.value for style in self.all_styles]
|