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.
-
Tu primer chatbot
De un repositorio vacío a un chat que responde, paso a paso.
-
El asistente
Cómo funciona el agente, y cómo darle herramientas que lean tus datos.
-
Configurar
config.yaml: el prompt, los modelos, el consumo, la marca y los puertos.
Los principios que explican el resto¶
- La declaración es la única fuente de verdad. Un chatbot se declara en tres ficheros:
config.yaml(el chatbot),rbac/chatbot.py(el acceso) yschemas/chatbot.py(los datos). Lo demás se deriva de ellos y no se edita a mano. - 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.
- El proyecto se despliega sin tai-chat. El back y el front que copia
initno importantai_chat: tai-chat es una herramienta de desarrollo, no una dependencia de producción. - 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.
- 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¶
@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]
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 |