Tu primer chatbot¶
De un repositorio vacío a un chat que responde. Se tarda unos minutos, la mayoría en instalar dependencias.
1. La base de datos y el .env¶
Una base de datos de PostgreSQL vacía y, en la raíz del repositorio, un .env con su URL:
mkdir mi-repo && cd mi-repo
echo 'MAIN_DATABASE_URL=postgresql://usuario:clave@localhost:5432/mi_base' >> .env
set -a && . .env && set +a
Nada lee el .env por su cuenta
Las variables se exportan desde la raíz antes de cada comando (set -a && . .env && set +a).
Siguen puestas al entrar en las subcarpetas.
init solo necesita la variable: genera la API leyendo los schemas, pero no se conecta.
2. Crear el proyecto¶
Pregunta el nombre del proyecto (por defecto, chatbot) y las opciones de la autenticación, que
son las de tai-api: con sus valores por defecto basta. Crea:
mi-repo/
├── .env
├── database/ el proyecto de tai-sql: los schemas auth y chatbot
└── chatbot/
├── config.yaml la declaración del chatbot
├── api/ la API (tai-api), con el asistente en routers/custom/assistant/
└── app/front/ el front en React
database/ es del repositorio, no del chatbot: si ya existía, init lo usa tal cual y le
añade los schemas que falten.
3. Completar el .env¶
chatbot/.env.example dice qué más hace falta. Cópialo al final de tu .env, que ya tiene la
URL de la base de datos:
# La clave con la que la API firma sus tokens: propia del chatbot, de al menos 32 caracteres
CHATBOT_SECRET_KEY=una-clave-larga-y-aleatoria-de-32-caracteres
# La contraseña del usuario admin que crea el primer db push
ADMIN_PWD=cambiala
# La clave del proveedor de tu modelo (el nombre lo eliges en config.yaml)
OPENAI_API_KEY=sk-...
4. Declarar el modelo¶
En chatbot/config.yaml, la sección modelos. De una clave solo se escribe el nombre de la
variable, nunca su valor:
modelos:
- alias: rapido
etiqueta: GPT-4o mini # el nombre que ve el usuario en el selector
proveedor: openai # openai, azure-openai o google
modelo: gpt-4o-mini
clave: OPENAI_API_KEY
por_defecto: true
Aprovecha para mirar el resto del fichero: el prompt del asistente, el nombre y los logos del front, las sugerencias de la pantalla de bienvenida. Todo está comentado, y en Configurar se explica cada clave.
5. Llevar todo a la base de datos¶
Crea los schemas auth, chatbot y context (la memoria del agente), da de alta el modelo, lleva
los roles de api/rbac/chatbot.py y crea el usuario admin con la contraseña de ADMIN_PWD. Como
tai-sql push, enseña el plan y pregunta antes de aplicar, y repetirlo no cambia nada.
6. Ponerle precio al modelo¶
Un modelo sin tarifa vigente no responde: no se sabría a cuánto cobrar cada respuesta. Las tarifas se dan de alta en el menú:
Tarifas → Nueva tarifa: el modelo, el precio por millón de tokens de entrada y de salida, el
margen y desde qué día rige. Modelos y consumo explica por qué
las tarifas no van en config.yaml.
7. Levantarlo¶
Regenera lo que se deriva de config.yaml y levanta la API y el front:
| El chat | http://localhost:4713 |
| La API y su documentación | http://localhost:8000/docs |
Entra con admin y la contraseña de ADMIN_PWD. Desde Gestión de usuarios se dan de alta los
demás, con el rol Usuario para quien solo chatea.
Y ahora¶
- Darle al asistente herramientas que lean tus datos.
- Ajustar la marca y el comportamiento en
config.yaml. - Llevarlo a Docker.
- Si trabajas con un asistente de IA, darle las reglas de las tres librerías:
tai-chat rules install,tai-chat sql rules installytai-chat api rules install(ver Comandos).