lifet: Un Framework Ligero para Agentes Potenciados por IA

lifet es un framework de Python modular y extensible diseñado para construir agentes de IA autónomos. Proporciona una estructura clara para conectarse a Modelos de Lenguaje Grandes (LLMs), gestionar la memoria y extender las capacidades del agente con herramientas personalizadas.

Características Principales

• Arquitectura basada en protocolos: Componentes desacoplados y fácilmente intercambiables
• Sistema de memoria flexible: Soporte para memoria en capas y resumen automático
• Herramientas extensibles: Framework para crear y gestionar herramientas personalizadas
• Adaptadores LLM: Soporte para múltiples proveedores de LLM
• Manejo de tokens: Contadores de tokens para optimización de costos
• Callbacks: Sistema de eventos para monitoreo y extensión

Instalación

# Clonar el repositorio
git clone <repo-url>
cd lifet

# Instalar dependencias
pip install -r requirements.txt

# Instalar en modo desarrollo
pip install -e .

Estructura del Proyecto

lifet/
├── src/lifet/
│   ├── __init__.py          # Inicialización del paquete
│   ├── coder/              # Núcleo del agente
│   │   ├── coder.py        # Implementación principal del Coder
│   │   ├── coder_protocol.py # Protocolo del Coder
│   │   ├── coder_callbacks.py # Sistema de callbacks
│   │   └── llm_adapters/   # Adaptadores para LLMs
│   ├── tools/              # Sistema de herramientas
│   │   ├── tool_prototipe.py # Protocolo base para herramientas
│   │   ├── read_file_tool.py
│   │   ├── write_file_tool.py
│   │   ├── list_files_tool.py
│   │   └── shell_tool.py
│   ├── memory/             # Sistema de memoria
│   │   ├── memory_protocol.py # Protocolo de memoria
│   │   ├── memory.py       # Implementación base
│   │   ├── layered_memory.py # Memoria en capas
│   │   └── summarizing_memory.py # Memoria con resumen
│   └── utils/              # Utilidades
│       ├── error.py        # Manejo de errores
│       ├── constants.py    # Constantes
│       ├── utils_so.py     # Utilidades del sistema
│       └── objects.py      # Objetos de datos
├── tests/                  # Pruebas unitarias
├── api/                    # API REST (opcional)
└── chat.py                # Ejemplo de aplicación

Conceptos Clave

1. El Coder

El Coder es el orquestador central del agente. Implementa el protocolo CoderProtocol y gestiona:

• Comunicación con el LLM a través de adaptadores
• Ejecución de herramientas suscritas
• Gestión del historial de conversación mediante el sistema de memoria
• Procesamiento de respuestas y extracción de JSON

2. Adaptadores de LLM

Los adaptadores (LLMAdapterProtocol) son responsables de comunicarse con APIs de LLM específicas:

• system_promt_llm.py: Generación de prompts del sistema
• deepseek_token_counter.py: Contador de tokens para DeepSeek
• Protocolo base para implementar nuevos adaptadores

3. Sistema de Herramientas

Las herramientas (ToolPrototipe) extienden las capacidades del agente:

• Protocolo base: Define la interfaz para todas las herramientas
• Herramientas incluidas: Lectura/escritura de archivos, shell, listado de archivos
• Extensibilidad: Fácil creación de herramientas personalizadas

4. Sistema de Memoria

La memoria (MemoryProtocol) gestiona el historial de conversación:

• Memoria en capas: LayeredMemory para diferentes niveles de retención
• Memoria con resumen: SummarizingMemory para compresión automática
• Protocolo flexible: Interfaz para implementar nuevos sistemas de memoria

Uso Básico

from lifet import Coder
from lifet.coder.llm_adapters.system_promt_llm import SystemPromptLLMAdapter
from lifet.memory.layered_memory import LayeredMemory
from lifet.tools.read_file_tool import ReadFileTool
from lifet.tools.write_file_tool import WriteFileTool

# Configurar componentes
llm_adapter = SystemPromptLLMAdapter()
memory = LayeredMemory()
tools = [ReadFileTool(), WriteFileTool()]

# Crear el agente
agent = Coder(llm_adapter=llm_adapter, memory=memory)
agent.tool_subscription(tools)

# Ejecutar una tarea
response = agent.code("Lee el archivo README.md y resúmelo")
print(response)

Ejemplo Completo

Ver chat.py para un ejemplo completo de un agente conversacional con:

• Conexión a LLM
• Sistema de memoria persistente
• Herramientas integradas
• Interfaz de línea de comandos

Extensión del Framework

Crear una nueva herramienta

from lifet.tools.tool_prototipe import ToolPrototipe, ToolResponse

class CustomTool(ToolPrototipe):
    def __init__(self):
        super().__init__(
            tool_name="custom_tool",
            description="Una herramienta personalizada",
            parameters=["param1", "param2"]
        )
    
    def execute(self, **kwargs) -> ToolResponse:
        # Implementar lógica aquí
        return ToolResponse(
            success=True,
            data={"result": "operación exitosa"}
        )

Implementar un nuevo adaptador LLM

from lifet.coder.llm_adapters.llm_adapter_protocol import LLMAdapterProtocol, RequestLLM, ResponseLLM

class CustomLLMAdapter(LLMAdapterProtocol):
    def __init__(self, api_key: str):
        self.api_key = api_key
    
    def request(self, request: RequestLLM) -> ResponseLLM:
        # Implementar llamada a API
        return ResponseLLM(
            response="Respuesta del LLM",
            token_count=100
        )

API

Coder

• __init__(llm_adapter, memory): Inicializa el agente
• code(request): Procesa una solicitud y devuelve respuesta
• tool_subscription(tools): Suscribe herramientas al agente
• extract_json_from_text(text): Extrae JSON de texto (método estático)

MemoryProtocol

• add_interaction(interaction): Añade interacción al historial
• get_history(): Obtiene historial completo
• clear(): Limpia la memoria

ToolPrototipe

• execute(**kwargs): Ejecuta la herramienta
• validate_parameters(params): Valida parámetros de entrada

Pruebas

Ejecutar las pruebas unitarias:

pytest tests/

Las pruebas cubren:

• Funcionalidad del Coder
• Sistema de memoria
• Herramientas
• Contadores de tokens
• Chat y conversaciones

Contribución

1. Fork el repositorio
2. Crear una rama para la funcionalidad
3. Implementar cambios con pruebas
4. Asegurar que todas las pruebas pasen
5. Crear Pull Request

Licencia

[Incluir información de licencia]

Contacto

[Información de contacto del mantenedor]