From 71764752f28d31028b9c2ca486c0fc1bcea1cf95 Mon Sep 17 00:00:00 2001 From: elvis Date: Sun, 6 Sep 2026 22:05:14 -0300 Subject: Web search and camera vision MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit Dos capacidades nuevas en un crate aparte, asist-tools, registradas desde asist-app: son el ejemplo de que el punto de extensión documentado funciona sin tocar el orquestador. Buscar admite tres buscadores intercambiables. Tavily devuelve una respuesta ya redactada, que es lo que se puede leer en voz alta sin gastar otra vuelta del modelo en resumir (0,54 s para «capital de Australia»); ddgs no necesita clave y devuelve fragmentos que el modelo sintetiza (2,24 s). El tercero es un backend de comando genérico: ejecuta un programa y lee JSON de su salida, así que añadir otro buscador —o un puente a un servidor MCP— es escribir un guion. Sobre DuckDuckGo, comprobado y no supuesto: curl contra html.duckduckgo.com devuelve HTTP 202 con una página anti-bot y ni un resultado, y la API sin clave api.duckduckgo.com devuelve vacío para casi todo lo que no sea una entidad de enciclopedia. La librería ddgs —la misma que hay bajo duckduckgo-mcp— sí funciona porque rota buscadores y cabeceras, y es la que usa scripts/buscar-ddgs.sh. Mirar aprovecha que el servidor ya carga el proyector multimodal: el mismo modelo que conversa describe lo que capta la cámara. La pregunta del usuario viaja hasta ahí, porque «¿de qué color es mi camiseta?» y «¿cuánta gente hay?» necesitan la misma imagen y descripciones distintas. La imagen no entra en el historial —cientos de tokens por turno para algo ya descrito— ni toca el disco. Tres cosas más que salieron de medir, en docs/RENDIMIENTO.md: - La resolución de captura manda en la latencia: 7,8 s a 1280x720 frente a 2,9 s a 640x480, con la misma descripción útil. 640x480 pasa a ser el valor por defecto. - Una herramienta ejecutándose en silencio deja el turno seis segundos mudo y parece un cuelgue. Tool::acknowledgement pronuncia una frase antes de ejecutar y baja el primer audio de ~8,4 s a 4,1 s. - Con la instrucción de voz a secas en la pasada de redacción, el modelo anunciaba lo que acababa de hacer en vez de contar lo que averiguó, ignorando el resultado que tenía delante. general.tool_result_prompt lo corrige; ahí sí se puede añadir estilo sin riesgo, porque la llamada ya ocurrió. Con tres herramientas declaradas el modelo elige bien entre ellas (15 de 16 medido), pero le cuesta abstenerse y busca cosas que ya sabe. Intentar corregirlo con instrucciones empeora los aciertos sin reducir los falsos positivos, coherente con la fragilidad ya documentada. Corregido además un fallo que dejaba mudo al asistente tras la primera respuesta: el anillo de reproducción no bajaba nunca su bandera de actividad, así que el segmentador mantenía el micrófono cerrado creyendo que seguía hablando. El segmentador se guía ahora por la cola, que no puede desfasarse, y hay pruebas del anillo con un mando sin dispositivo detrás. Claude-Session: https://claude.ai/code/session_01FNxz5cSdQSscJH9H7b8uGU --- crates/asist-app/src/main.rs | 95 +++++++++++++++++++++++++++++- crates/asist-app/src/pipeline.rs | 85 ++++++++++++++++----------- crates/asist-app/src/registry.rs | 122 +++++++++++++++++++++++++++++++++++++++ 3 files changed, 266 insertions(+), 36 deletions(-) create mode 100644 crates/asist-app/src/registry.rs (limited to 'crates/asist-app/src') diff --git a/crates/asist-app/src/main.rs b/crates/asist-app/src/main.rs index 2788d97..7b00b1f 100644 --- a/crates/asist-app/src/main.rs +++ b/crates/asist-app/src/main.rs @@ -5,11 +5,13 @@ //! espera a la siguiente. mod pipeline; +mod registry; mod render; mod session; mod supervisor; use std::path::PathBuf; +use std::sync::Arc; use std::time::Duration; use anyhow::{bail, Context, Result}; @@ -19,7 +21,6 @@ use asist_asr::Recognizer; use asist_audio::{Capture, CaptureBlock, Playback}; use asist_core::config::Config; use asist_core::event::Event; -use asist_core::tools::ToolRegistry; use asist_llm::LlmClient; use asist_tts::TtsClient; @@ -52,7 +53,9 @@ fn run(config: Config, args: &Args) -> Result<()> { // Los clientes se crean antes de arrancar nada: así se detecta lo que ya // esté escuchando y no se levanta un servidor por duplicado. - let llm = LlmClient::new(config.llm_authority(), &config.llm); + // Compartido: el orquestador conversa con él y la herramienta de cámara + // lo usa para describir lo que capta. + let llm = Arc::new(LlmClient::new(config.llm_authority(), &config.llm)); let tts = TtsClient::new(config.tts_authority(), &config.tts); let (llm_up, tts_up) = (llm.healthy(), tts.healthy()); @@ -92,12 +95,33 @@ fn run(config: Config, args: &Args) -> Result<()> { let (capture_tx, capture_rx) = unbounded::(); let capture = Capture::open(&config.audio, capture_tx.clone())?; - let tools = ToolRegistry::from_config(&config.tools); + let (tools, skipped) = registry::build(&config, &llm); if tools.is_empty() { eprintln!("Herramientas: ninguna"); } else { eprintln!("Herramientas: {}", tools.names().join(", ")); } + // Lo que no se pudo activar se dice en voz alta, en vez de dejar al + // usuario preguntándose por qué el asistente no busca ni ve. + for skip in &skipped { + eprintln!(" · {} no disponible: {}", skip.tool, skip.reason); + } + // Las dos capacidades que tocan algo fuera del proceso se anuncian: una + // enciende la cámara y la otra ejecuta órdenes. Quien lo arranca debería + // saberlo sin tener que leerse la configuración. + if tools.get("mirar_por_la_camara").is_some() { + eprintln!( + "Cámara ACTIVA — {} a {}x{}{}", + config.camera.device.display(), + config.camera.width, + config.camera.height, + if config.camera.save_dir.is_empty() { + String::new() + } else { + format!(", guardando fotogramas en {}", config.camera.save_dir) + } + ); + } if config.tools.shell { eprintln!( "Ejecución de órdenes ACTIVA — permitidas: {}{}", @@ -263,6 +287,61 @@ fn check(config: &Config) -> Result<()> { } } + println!("Capacidades:"); + // Ninguna de las dos es fatal: el asistente conversa igual sin ellas, así + // que se informa y no se cuentan como problema. + if !config.search.enabled { + println!(" - búsqueda desactivada en la configuración"); + } else { + match config.search.backend.trim().to_lowercase().as_str() { + "tavily" => match std::env::var(&config.search.api_key_env) { + Ok(key) if !key.trim().is_empty() => ok( + "búsqueda (tavily)", + format!("clave en ${}", config.search.api_key_env), + ), + _ => println!( + " - búsqueda (tavily) falta ${}", + config.search.api_key_env + ), + }, + "ddgs" | "comando" => match config.search.command.first() { + // Un nombre suelto se resuelve por el PATH; una ruta tiene que + // existir, y más vale decirlo aquí que a mitad de una pregunta. + Some(program) if !program.contains('/') || PathBuf::from(program).exists() => { + ok("búsqueda (ddgs)", config.search.command.join(" ")) + } + Some(program) => { + println!(" - búsqueda (ddgs) no existe {program}") + } + None => println!(" - búsqueda (ddgs) search.command está vacío"), + }, + "searxng" => ok("búsqueda (searxng)", config.search.base_url.clone()), + other => println!(" - búsqueda backend desconocido: «{other}»"), + } + } + + if !config.camera.enabled { + println!(" - cámara desactivada en la configuración"); + } else if config.camera.device.exists() { + ok( + "cámara", + format!( + "{} a {}x{}", + config.camera.device.display(), + config.camera.width, + config.camera.height + ), + ); + if which("ffmpeg").is_none() { + println!(" - ffmpeg no está; hace falta para capturar"); + } + } else { + println!( + " - cámara no existe {}", + config.camera.device.display() + ); + } + println!("Servidores:"); let llm = LlmClient::new(config.llm_authority(), &config.llm); let tts = TtsClient::new(config.tts_authority(), &config.tts); @@ -412,6 +491,16 @@ impl Args { } } +/// Busca un ejecutable en el PATH, para avisar de lo que falta antes de que +/// falle a mitad de una conversación. +fn which(program: &str) -> Option { + std::env::var_os("PATH").and_then(|path| { + std::env::split_paths(&path) + .map(|dir| dir.join(program)) + .find(|candidate| candidate.is_file()) + }) +} + /// ¿Hay una persona al otro lado de la entrada estándar? fn stdin_is_tty() -> bool { #[cfg(unix)] diff --git a/crates/asist-app/src/pipeline.rs b/crates/asist-app/src/pipeline.rs index 9e9037e..69fc66a 100644 --- a/crates/asist-app/src/pipeline.rs +++ b/crates/asist-app/src/pipeline.rs @@ -67,7 +67,7 @@ impl Pipeline { config: &Config, session: Session, recognizer: Recognizer, - llm: LlmClient, + llm: Arc, tts: TtsClient, tools: ToolRegistry, playback: PlaybackHandle, @@ -175,7 +175,11 @@ fn run_segmenter( } // El micrófono se cierra mientras suena el altavoz. Con barge-in // activo no se cierra, sólo sube el listón de volumen. - segmenter.set_gate(if session.is_speaking() || playback.is_active() { + // + // La segunda condición mira la cola y no una bandera a propósito: la + // cola no puede quedarse desfasada, y una bandera que se olvide de + // bajar deja el micrófono cerrado para el resto de la sesión. + segmenter.set_gate(if session.is_speaking() || playback.queued_secs() > 0.0 { Gate::Speaking } else { Gate::Open @@ -253,7 +257,7 @@ fn run_segmenter( fn run_brain( config: &Config, session: Session, - llm: LlmClient, + llm: Arc, tools: ToolRegistry, results: Receiver, speak: Sender, @@ -337,6 +341,12 @@ struct Prompts { /// Para la pasada en que el modelo decide si llamar a una herramienta. deciding: String, /// Para redactar la respuesta hablada, ya con los resultados en la mano. + /// + /// Lleva pegada la orden de usar lo que la herramienta devolvió. Sin ella + /// el modelo se limita a anunciar lo que acaba de hacer —«he tomado una + /// foto, ahora puedo responderte sobre el objeto o color»— y se deja el + /// dato que tenía delante. Aquí sí se puede añadir estilo sin riesgo: la + /// llamada ya ocurrió, así que no hay nada que estropear. speaking: String, /// `false` cuando no hay herramientas: entonces ambas son la misma. two_phase: bool, @@ -352,7 +362,11 @@ impl Prompts { } else { speaking.clone() }, - speaking, + speaking: if two_phase { + format!("{speaking}\n\n{}", config.general.tool_result_prompt.trim()) + } else { + speaking.clone() + }, two_phase, } } @@ -377,6 +391,27 @@ fn answer( let tools = (!tools.is_empty() && config.tools.enabled).then_some(tools); let mut splitter = SentenceSplitter::new(); let mut spoken = String::new(); + // Índice propio, y no el del troceador, porque al flujo de frases se le + // cuelan los acuses de las herramientas. El índice 0 marca el primer + // sonido del turno, que es de donde se mide la latencia percibida. + let mut emitted = 0usize; + + // Manda una frase al sintetizador. Devuelve `false` si el canal se cerró. + let say = |index: &mut usize, text: String| -> bool { + let _ = events.send(Event::Sentence { + turn, + index: *index, + text: text.clone(), + }); + let job = SpeakJob { + turn, + index: *index, + text, + turn_started, + }; + *index += 1; + speak.send(job).is_ok() + }; for round in 0..=config.llm.max_tool_rounds { let llm_started = Instant::now(); @@ -403,21 +438,7 @@ fn answer( // Aquí está el solape: cada frase cerrada sale hacia el // sintetizador sin esperar al resto de la respuesta. for sentence in splitter.push(text) { - let index = splitter.emitted() - 1; - let _ = events.send(Event::Sentence { - turn, - index, - text: sentence.clone(), - }); - if speak - .send(SpeakJob { - turn, - index, - text: sentence, - turn_started, - }) - .is_err() - { + if !say(&mut emitted, sentence) { return false; } } @@ -449,20 +470,9 @@ fn answer( if outcome.tool_calls.is_empty() { if let Some(rest) = splitter.flush() { - let index = splitter.emitted() - 1; - let _ = events.send(Event::Sentence { - turn, - index, - text: rest.clone(), - }); - let _ = speak.send(SpeakJob { - turn, - index, - text: rest, - turn_started, - }); + say(&mut emitted, rest); } - timer.sentences = splitter.emitted(); + timer.sentences = emitted; chat.push(Message::assistant(outcome.text.clone())); // El turno siguiente vuelve a empezar decidiendo. if prompts.two_phase { @@ -500,6 +510,14 @@ fn answer( name: call.name.clone(), arguments: call.arguments.clone(), }); + // Se dice antes de ejecutar, no después: la gracia es tapar la + // espera, y una búsqueda con las dos pasadas del modelo detrás son + // seis segundos que sin esto pasan en silencio absoluto. + if config.tools.spoken_ack { + if let Some(ack) = tools.get(&call.name).and_then(|t| t.acknowledgement()) { + say(&mut emitted, ack.to_string()); + } + } let result = tools.dispatch(call); let _ = events.send(Event::ToolFinished { turn, @@ -553,8 +571,9 @@ fn run_speech( let Some(job) = job else { // Sin trabajo: si ya no queda audio, el turno ha terminado de sonar. if let Some(turn) = speaking_turn { - if !playback.is_active() || playback.queued_secs() <= 0.0 { + if playback.queued_secs() <= 0.0 { session.set_speaking(false); + playback.mark_idle(); speaking_turn = None; let _ = events.send(Event::AudioFinished { turn }); } diff --git a/crates/asist-app/src/registry.rs b/crates/asist-app/src/registry.rs new file mode 100644 index 0000000..13bbb75 --- /dev/null +++ b/crates/asist-app/src/registry.rs @@ -0,0 +1,122 @@ +//! Montaje del juego de herramientas. +//! +//! `ToolRegistry::from_config` sólo conoce las que no dependen de nada +//! —el reloj, la shell—, porque vive en el núcleo. Las que necesitan la red o +//! el modelo multimodal se añaden aquí, que es exactamente el punto de +//! extensión documentado en docs/EXTENDER.md. + +use std::sync::Arc; +use std::time::Duration; + +use asist_core::config::{CameraConfig, Config, SearchConfig}; +use asist_core::tools::ToolRegistry; +use asist_llm::LlmClient; +use asist_tools::camera::CaptureConfig; +use asist_tools::{Camera, SearchBackend, WebSearch}; + +/// Lo que no se pudo activar y por qué, para decírselo al usuario al arrancar +/// en vez de dejarlo en silencio. +pub struct Skipped { + pub tool: &'static str, + pub reason: String, +} + +pub fn build(config: &Config, llm: &Arc) -> (ToolRegistry, Vec) { + let mut registry = ToolRegistry::from_config(&config.tools); + let mut skipped = Vec::new(); + + if !config.tools.enabled { + return (registry, skipped); + } + + match search_tool(&config.search) { + Ok(Some(tool)) => registry.register(Arc::new(tool)), + Ok(None) => {} + Err(reason) => skipped.push(Skipped { + tool: "buscar_en_internet", + reason, + }), + } + + match camera_tool(&config.camera, llm) { + Ok(Some(tool)) => registry.register(Arc::new(tool)), + Ok(None) => {} + Err(reason) => skipped.push(Skipped { + tool: "mirar_por_la_camara", + reason, + }), + } + + (registry, skipped) +} + +fn search_tool(config: &SearchConfig) -> Result, String> { + if !config.enabled { + return Ok(None); + } + let backend = match config.backend.trim().to_lowercase().as_str() { + "tavily" => { + // La clave sale del entorno, nunca del fichero de configuración. + let key = std::env::var(&config.api_key_env) + .ok() + .map(|k| k.trim().to_string()) + .filter(|k| !k.is_empty()) + .ok_or_else(|| { + format!( + "la variable {} está vacía o sin definir; expórtala o cambia \ + search.backend a «searxng»", + config.api_key_env + ) + })?; + SearchBackend::Tavily { api_key: key } + } + "searxng" => SearchBackend::SearxNG { + base_url: config.base_url.clone(), + }, + "ddgs" | "comando" => { + let (program, args) = config + .command + .split_first() + .ok_or_else(|| "search.command está vacío".to_string())?; + if !std::path::Path::new(program).exists() && !program.contains('/') { + // Un nombre suelto se busca en el PATH; una ruta tiene que existir. + } else if !std::path::Path::new(program).exists() { + return Err(format!("no existe el buscador {program}")); + } + SearchBackend::Command { + program: program.into(), + args: args.to_vec(), + } + } + other => return Err(format!("search.backend desconocido: «{other}»")), + }; + + Ok(Some(WebSearch::new( + backend, + config.max_results, + Duration::from_secs(config.timeout_secs), + ))) +} + +fn camera_tool(config: &CameraConfig, llm: &Arc) -> Result, String> { + if !config.enabled { + return Ok(None); + } + let capture = CaptureConfig { + device: config.device.clone(), + width: config.width, + height: config.height, + warmup_frames: config.warmup_frames, + timeout: Duration::from_secs(config.timeout_secs), + save_dir: (!config.save_dir.is_empty()).then(|| config.save_dir.clone().into()), + }; + // Registrar una herramienta que va a fallar siempre es peor que no tenerla: + // el modelo la llamaría, se comería el error y gastaría un turno entero. + if !Camera::available(&capture) { + return Err(format!( + "no existe {}; comprueba con «v4l2-ctl --list-devices»", + capture.device.display() + )); + } + Ok(Some(Camera::new(capture, Arc::clone(llm)))) +} -- cgit v1.2.3