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-llm/src/client.rs | 88 ++++++++++++++++++++++++++++++++++++++++++ 1 file changed, 88 insertions(+) (limited to 'crates/asist-llm/src') diff --git a/crates/asist-llm/src/client.rs b/crates/asist-llm/src/client.rs index 1dca2af..7282947 100644 --- a/crates/asist-llm/src/client.rs +++ b/crates/asist-llm/src/client.rs @@ -93,6 +93,94 @@ impl LlmClient { } } + /// Pregunta al modelo por una imagen, en una petición aparte de la + /// conversación. + /// + /// El servidor tiene cargado el proyector multimodal (`--mmproj`), así que + /// acepta partes `image_url` con la imagen en base64. Se hace fuera del + /// historial a propósito: una imagen ocupa cientos de tokens de contexto y + /// arrastrarla turno tras turno saldría carísimo para lo poco que aporta + /// una vez descrita. Lo que vuelve a la conversación es el texto. + /// + /// Medido en esta máquina, el coste depende mucho del tamaño: 1,3 s a + /// 320x240, 2,9 s a 640x480 y 7,8 s a 1280x720. + pub fn look(&self, image_jpeg: &[u8], question: &str, cancel: &Cancel) -> Result { + use base64::Engine; + let encoded = base64::engine::general_purpose::STANDARD.encode(image_jpeg); + + let mut body = json!({ + "messages": [{ + "role": "user", + "content": [ + { "type": "text", "text": question }, + { + "type": "image_url", + "image_url": { "url": format!("data:image/jpeg;base64,{encoded}") } + } + ] + }], + "stream": true, + "temperature": self.config.temperature, + "max_tokens": self.config.max_tokens, + }); + if !self.config.model.is_empty() { + body["model"] = json!(self.config.model); + } + + // En streaming aunque no se use el texto parcial: una petición de + // visión tarda segundos y sin flujo el socket puede quedarse callado + // hasta pasado el plazo de lectura. + let started = Instant::now(); + let mut text = String::new(); + let mut finished = false; + let result = self + .http + .post_json_lines("/v1/chat/completions", &body, cancel, |line| { + let Some(payload) = line.strip_prefix("data: ") else { + return true; + }; + if payload.trim() == "[DONE]" { + finished = true; + return false; + } + let Ok(event) = serde_json::from_str::(payload) else { + return true; + }; + let Some(choice) = event.get("choices").and_then(|c| c.get(0)) else { + return true; + }; + if let Some(chunk) = choice + .get("delta") + .and_then(|d| d.get("content")) + .and_then(Value::as_str) + { + text.push_str(chunk); + } + if choice.get("finish_reason").is_some_and(|r| !r.is_null()) { + finished = true; + return false; + } + true + }); + match result { + Ok(()) => {} + Err(Error::Cancelled) if finished || cancel.is_cancelled() => {} + Err(err) => return Err(err), + } + + tracing::debug!( + target: "llm", + bytes = image_jpeg.len(), + ms = started.elapsed().as_millis(), + "visión" + ); + let text = text.trim().to_string(); + if text.is_empty() { + return Err(Error::Llm("el modelo no describió la imagen".into())); + } + Ok(text) + } + fn request_body(&self, chat: &Conversation, tools: Option<&ToolRegistry>) -> Value { let mut body = json!({ "messages": chat.to_json(), -- cgit v1.2.3