Saltar a contenido

tai-chat

CLI y plantillas para crear chatbots sobre tai-sql y tai-api. Con un comando monta en tu repositorio un asistente con LLM que responde sobre los datos de la empresa: la API, el agente y sus herramientas, el front en React, los usuarios y sus permisos, y lo que cuesta cada respuesta.

config.yaml           ──▶ tai-chat config generate ──▶ el agente, la marca del front, los puertos
rbac/chatbot.py       ──▶ tai-chat db push         ──▶ los roles, y quién ve qué conversaciones
schemas/chatbot.py    ──▶ tai-chat db push         ──▶ las conversaciones, el catálogo y el consumo
                          tai-chat dev             ──▶ el chat en http://localhost:4713

Lo que monta es tuyo: el agente, sus herramientas y el front se copian al proyecto y se cambian como cualquier código. Lo que hacen tai-sql y tai-api —el schema, la API generada, la autenticación— se queda en sus manos y se regenera.


Empieza por aquí

  • Instalación


    Qué necesita tu máquina, y por qué.

    Instalación

  • Tu primer chatbot


    De un repositorio vacío a un chat que responde, paso a paso.

    Primer chatbot

  • El asistente


    Cómo funciona el agente, y cómo darle herramientas que lean tus datos.

    El asistente

  • Configurar


    config.yaml: el prompt, los modelos, el consumo, la marca y los puertos.

    Configurar


Los principios que explican el resto

  1. La declaración es la única fuente de verdad. Un chatbot se declara en tres ficheros: config.yaml (el chatbot), rbac/chatbot.py (el acceso) y schemas/chatbot.py (los datos). Lo demás se deriva de ellos y no se edita a mano.
  2. tai-chat consume tai-sql y tai-api, no los reimplementa. El CRUD, la autenticación, los permisos y el cliente TypeScript son los suyos. tai-chat pone encima el chat.
  3. El proyecto se despliega sin tai-chat. El back y el front que copia init no importan tai_chat: tai-chat es una herramienta de desarrollo, no una dependencia de producción.
  4. Lo de un usuario solo lo alcanza él. Sus conversaciones, sus mensajes y su consumo, por la API y también a través del agente: una herramienta lee lo que el usuario podría leer, y nada más.
  5. Cada respuesta se cobra. Se apuntan sus tokens —los de todas sus llamadas al modelo, también las de los sub-agentes— con la tarifa de su modelo, y sin tarifa vigente, saldo o límite, el chat lo dice en vez de responder.

Un vistazo

asistente:
  prompt: |
    Eres el asistente de mantenimiento de la fábrica. Respondes con datos.
  max_iteraciones: 6
front:
  nombre: Mantenimiento
  logo: {claro: marca/logo.png}
modelos:
  - alias: rapido
    proveedor: openai
    modelo: gpt-4o-mini
    clave: OPENAI_API_KEY
    por_defecto: true
@tool
async def mis_averias(estado: str, runtime: ToolRuntime[Contexto]) -> list[dict]:
    """Las averías del usuario en un estado: abierta, en_curso o cerrada."""
    runtime.context.exigir("read", "averia")                     # su permiso
    filas = await AveriaAsyncDAO.find_many(
        estado=estado, rls=runtime.context.reglas("mantenimiento"), limit=20,  # sus reglas de fila
    )
    return [{"id": f.id, "descripcion": f.descripcion} for f in filas]
tai-chat init          # el chatbot en <repo>/chatbot/
tai-chat db push       # schemas, modelos, roles y el admin
tai-chat config        # las tarifas de los modelos
tai-chat dev           # http://localhost:4713

Cómo está organizado este manual

Sección Qué responde
Inicio Qué instalar, cómo montar un chatbot y cómo es el proyecto por dentro
Configurar config.yaml, los modelos y su consumo, y los roles
El asistente El agente, sus herramientas, cómo leen los datos del usuario y los sub-agentes
El front Qué trae la interfaz y cómo se personaliza
Desplegar Llevar el chatbot a Docker
Referencia Los comandos, la API del asistente, las variables y las migraciones