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/Cargo.toml | 2 + crates/asist-app/src/main.rs | 95 ++++++- crates/asist-app/src/pipeline.rs | 85 +++--- crates/asist-app/src/registry.rs | 122 +++++++++ crates/asist-app/tests/integracion.rs | 206 +++++++++++++- crates/asist-audio/src/lib.rs | 2 +- crates/asist-audio/src/playback.rs | 81 ++++++ crates/asist-core/src/config.rs | 149 +++++++++++ crates/asist-core/src/tools.rs | 12 + crates/asist-llm/Cargo.toml | 1 + crates/asist-llm/src/client.rs | 88 ++++++ crates/asist-tools/Cargo.toml | 16 ++ crates/asist-tools/src/camera.rs | 290 ++++++++++++++++++++ crates/asist-tools/src/lib.rs | 14 + crates/asist-tools/src/search.rs | 489 ++++++++++++++++++++++++++++++++++ 15 files changed, 1614 insertions(+), 38 deletions(-) create mode 100644 crates/asist-app/src/registry.rs create mode 100644 crates/asist-tools/Cargo.toml create mode 100644 crates/asist-tools/src/camera.rs create mode 100644 crates/asist-tools/src/lib.rs create mode 100644 crates/asist-tools/src/search.rs (limited to 'crates') diff --git a/crates/asist-app/Cargo.toml b/crates/asist-app/Cargo.toml index 6a5daee..205277f 100644 --- a/crates/asist-app/Cargo.toml +++ b/crates/asist-app/Cargo.toml @@ -14,6 +14,7 @@ asist-core.workspace = true asist-asr.workspace = true asist-llm.workspace = true asist-tts.workspace = true +asist-tools.workspace = true [dependencies] asist-core.workspace = true @@ -21,6 +22,7 @@ asist-audio.workspace = true asist-asr.workspace = true asist-llm.workspace = true asist-tts.workspace = true +asist-tools.workspace = true anyhow.workspace = true crossbeam-channel.workspace = true serde_json.workspace = true 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)))) +} diff --git a/crates/asist-app/tests/integracion.rs b/crates/asist-app/tests/integracion.rs index 91a074a..a7f7e15 100644 --- a/crates/asist-app/tests/integracion.rs +++ b/crates/asist-app/tests/integracion.rs @@ -14,7 +14,7 @@ use std::time::{Duration, Instant}; use asist_core::config::Config; use asist_core::http::Cancel; -use asist_core::tools::ToolRegistry; +use asist_core::tools::{Tool, ToolRegistry}; use asist_llm::chat::Conversation; use asist_llm::{Delta, LlmClient, Message}; use asist_tts::TtsClient; @@ -264,3 +264,207 @@ fn el_asr_transcribe_lo_que_sintetiza_el_tts() { "sólo se reconocieron {acertadas} palabras de «{frase}» en «{texto}»" ); } + +// --------------------------------------------------------------------------- +// Buscar en internet y mirar por la cámara +// --------------------------------------------------------------------------- + +#[test] +fn la_busqueda_devuelve_algo_pronunciable() { + let config = config(); + if !config.search.enabled { + eprintln!("búsqueda desactivada; prueba omitida"); + return; + } + let Ok(key) = std::env::var(&config.search.api_key_env) else { + eprintln!("sin ${}; prueba omitida", config.search.api_key_env); + return; + }; + if key.trim().is_empty() { + eprintln!("${} vacía; prueba omitida", config.search.api_key_env); + return; + } + + let tool = asist_tools::WebSearch::new( + asist_tools::SearchBackend::Tavily { api_key: key }, + config.search.max_results, + Duration::from_secs(config.search.timeout_secs), + ); + let started = Instant::now(); + let out = tool + .call(&serde_json::json!({ "consulta": "capital de Australia" })) + .expect("la búsqueda falló"); + + eprintln!( + "búsqueda en {:?}: {}", + started.elapsed(), + &out[..out.len().min(200)] + ); + assert!(!out.trim().is_empty()); + assert!( + out.to_lowercase().contains("canberra"), + "esperaba la respuesta en el resumen, salió: {out}" + ); + // Lo que devuelve se lee en voz alta; una parrafada de miles de caracteres + // ahoga al modelo que tiene que resumirla. + assert!( + out.len() < 6000, + "el resultado es demasiado largo: {} bytes", + out.len() + ); +} + +#[test] +fn una_consulta_inventada_no_revienta_el_turno() { + let config = config(); + let Ok(key) = std::env::var(&config.search.api_key_env) else { + return; + }; + if key.trim().is_empty() { + return; + } + // Vía el registro, que es como llega de verdad: un fallo tiene que volver + // como texto para el modelo, nunca como un error que corte la respuesta. + let mut registry = ToolRegistry::new(); + registry.register(std::sync::Arc::new(asist_tools::WebSearch::new( + asist_tools::SearchBackend::Tavily { + api_key: "clave-invalida".into(), + }, + 3, + Duration::from_secs(10), + ))); + let outcome = registry.dispatch(&asist_core::tools::ToolCall { + id: "1".into(), + name: "buscar_en_internet".into(), + arguments: r#"{"consulta":"algo"}"#.into(), + }); + assert!(!outcome.ok); + assert!( + !outcome.output.contains("clave-invalida"), + "el mensaje de error no debe llevar la clave dentro: {}", + outcome.output + ); +} + +#[test] +fn la_camara_captura_un_jpeg() { + let config = config(); + let capture = asist_tools::camera::CaptureConfig { + device: config.camera.device.clone(), + width: config.camera.width, + height: config.camera.height, + warmup_frames: config.camera.warmup_frames, + timeout: Duration::from_secs(config.camera.timeout_secs), + save_dir: None, + }; + if !config.camera.enabled || !capture.device.exists() { + eprintln!("sin cámara; prueba omitida"); + return; + } + + let started = Instant::now(); + let frame = asist_tools::camera::capture(&capture).expect("la captura falló"); + eprintln!( + "fotograma de {} KB en {:?}", + frame.len() / 1024, + started.elapsed() + ); + + assert!( + frame.len() > 1000, + "el fotograma es sospechosamente pequeño" + ); + // Cabecera JPEG: si no está, ffmpeg devolvió otra cosa y el modelo la + // rechazaría sin decir por qué. + assert_eq!(&frame[..2], &[0xFF, 0xD8], "no parece un JPEG"); +} + +#[test] +#[ignore = "enciende la cámara y hace una pasada de visión; lento"] +fn el_modelo_describe_lo_que_ve_la_camara() { + let _gpu = en_exclusiva(); + let Some((config, llm, _)) = clientes() else { + return; + }; + let capture = asist_tools::camera::CaptureConfig { + device: config.camera.device.clone(), + width: config.camera.width, + height: config.camera.height, + warmup_frames: config.camera.warmup_frames, + timeout: Duration::from_secs(config.camera.timeout_secs), + save_dir: None, + }; + if !config.camera.enabled || !capture.device.exists() { + eprintln!("sin cámara; prueba omitida"); + return; + } + + let tool = asist_tools::Camera::new(capture, std::sync::Arc::new(llm)); + let started = Instant::now(); + let out = tool + .call(&serde_json::json!({ "pregunta": "¿Qué se ve en la imagen?" })) + .expect("la descripción falló"); + + eprintln!("visión en {:?}: {out}", started.elapsed()); + assert!( + out.split_whitespace().count() >= 3, + "descripción vacía o mínima: {out}" + ); + assert!( + started.elapsed() < Duration::from_secs(20), + "tardó {:?}; revisa camera.width/height", + started.elapsed() + ); +} + +#[test] +#[ignore = "sale a internet con los dos buscadores; lento"] +fn los_dos_buscadores_responden_a_lo_mismo() { + // Compara lo que devuelve cada uno para las mismas preguntas. No afirma + // cuál es mejor —eso depende de la pregunta— sino que ambos funcionan y + // deja las cifras a la vista para elegir con datos. + let config = config(); + let preguntas = [ + "capital de Australia", + "qué tiempo hace hoy en Buenos Aires", + ]; + + let mut backends: Vec<(&str, asist_tools::SearchBackend)> = Vec::new(); + if let Ok(key) = std::env::var(&config.search.api_key_env) { + if !key.trim().is_empty() { + backends.push(( + "tavily", + asist_tools::SearchBackend::Tavily { api_key: key }, + )); + } + } + if let Some(program) = config.search.command.first() { + if PathBuf::from(program).exists() { + backends.push(("ddgs", asist_tools::SearchBackend::ddgs(program))); + } + } + if backends.is_empty() { + eprintln!("ningún buscador configurado; prueba omitida"); + return; + } + + for (nombre, backend) in backends { + let tool = asist_tools::WebSearch::new(backend, 3, Duration::from_secs(30)); + for pregunta in preguntas { + let started = Instant::now(); + match tool.call(&serde_json::json!({ "consulta": pregunta })) { + Ok(out) => { + let primera = out.lines().next().unwrap_or("").to_string(); + eprintln!( + "{nombre:7} {:>6.2}s {:>5} bytes «{pregunta}»\n {}", + started.elapsed().as_secs_f32(), + out.len(), + &primera[..primera.len().min(150)] + ); + assert!(!out.trim().is_empty()); + } + Err(err) => panic!("{nombre} falló en «{pregunta}»: {err}"), + } + } + } +} diff --git a/crates/asist-audio/src/lib.rs b/crates/asist-audio/src/lib.rs index f6979ca..de3f002 100644 --- a/crates/asist-audio/src/lib.rs +++ b/crates/asist-audio/src/lib.rs @@ -15,7 +15,7 @@ pub mod vad; pub use cpal; pub use capture::{Capture, CaptureBlock, InputFormat}; -pub use playback::{Playback, PlaybackHandle}; +pub use playback::{detached_handle, Playback, PlaybackHandle}; pub use vad::{Gate, Segmenter, Utterance, VoiceEvent}; /// Frecuencia a la que trabaja Canary. La captura se abre directamente aquí diff --git a/crates/asist-audio/src/playback.rs b/crates/asist-audio/src/playback.rs index fcdfe7d..903519f 100644 --- a/crates/asist-audio/src/playback.rs +++ b/crates/asist-audio/src/playback.rs @@ -78,6 +78,20 @@ impl PlaybackHandle { self.push(&to_mono_at(samples, format, self.sample_rate)); } + /// Marca que se ha terminado de alimentar audio y ya ha sonado todo. + /// + /// Hace falta un método aparte de `stop`: éste no tira nada, sólo apaga la + /// bandera de «hay audio en marcha». Sin él la bandera se quedaba puesta + /// tras la primera respuesta, el segmentador mantenía el micrófono cerrado + /// creyendo que el asistente seguía hablando, y el asistente no volvía a + /// oír nada en toda la sesión. + pub fn mark_idle(&self) { + let queue = self.ring.lock(); + if queue.is_empty() { + self.ring.active.store(false, Ordering::SeqCst); + } + } + /// Calla ahora mismo y tira lo que quedaba por sonar. pub fn stop(&self) { let mut queue = self.ring.lock(); @@ -135,6 +149,15 @@ impl PlaybackHandle { } } +/// Un mando sin dispositivo detrás, para probar la lógica del anillo sin +/// abrir una tarjeta de sonido. +pub fn detached_handle(sample_rate: u32) -> PlaybackHandle { + PlaybackHandle { + ring: Arc::new(Ring::new(1.0)), + sample_rate, + } +} + pub struct Playback { stream: cpal::Stream, handle: PlaybackHandle, @@ -285,3 +308,61 @@ fn preferred_config(device: &cpal::Device) -> Result, + pub max_results: usize, + pub timeout_secs: u64, +} + +impl Default for SearchConfig { + fn default() -> Self { + Self { + enabled: true, + backend: "tavily".into(), + api_key_env: "TAVILY_API_KEY".into(), + base_url: String::new(), + command: vec![ + "scripts/buscar-ddgs.sh".into(), + "{consulta}".into(), + "{max}".into(), + ], + // Cinco resultados llenan bien el contexto sin ahogar a un modelo + // de 2B, que con más se pierde entre fuentes. + max_results: 5, + timeout_secs: 20, + } + } +} + +/// Mirar por la cámara. +#[derive(Debug, Clone, Serialize, Deserialize)] +#[serde(default, deny_unknown_fields)] +pub struct CameraConfig { + /// Si se apaga, la herramienta no llega a registrarse y el modelo ni + /// sabe que existe. También se apaga sola si no hay dispositivo. + pub enabled: bool, + pub device: PathBuf, + /// Resolución de captura. Manda mucho en la latencia: medido, el modelo + /// tarda 1,3 s a 320x240, 2,9 s a 640x480 y 7,8 s a 1280x720. + pub width: u32, + pub height: u32, + /// Fotogramas descartados para que la exposición automática se asiente. + pub warmup_frames: u32, + pub timeout_secs: u64, + /// Carpeta donde guardar cada fotograma capturado. Vacío = no se guarda + /// ninguno, que es lo que corresponde por defecto. + pub save_dir: String, +} + +impl Default for CameraConfig { + fn default() -> Self { + Self { + enabled: true, + device: PathBuf::from("/dev/video0"), + width: 640, + height: 480, + warmup_frames: 5, + timeout_secs: 15, + save_dir: String::new(), + } + } +} + #[derive(Debug, Clone, Serialize, Deserialize)] #[serde(default, deny_unknown_fields)] pub struct SupervisorConfig { @@ -467,6 +569,18 @@ impl Config { fix(&mut self.supervisor.tts.binary); fix(&mut self.supervisor.tts.model); fix(&mut self.supervisor.tts.codec); + if let Some(program) = self.search.command.first_mut() { + let path = PathBuf::from(&*program); + if path.is_relative() && program.contains('/') { + *program = base.join(path).to_string_lossy().into_owned(); + } + } + if !self.camera.save_dir.is_empty() { + let dir = PathBuf::from(&self.camera.save_dir); + if dir.is_relative() { + self.camera.save_dir = base.join(dir).to_string_lossy().into_owned(); + } + } if let Some(reference) = self.tts.reference.as_mut() { fix(&mut reference.speaker); fix(&mut reference.codes); @@ -488,6 +602,41 @@ impl Config { "asr.window debe ser mayor que asr.step, y ambos > 0".into(), )); } + if self.search.enabled { + match self.search.backend.trim().to_lowercase().as_str() { + "tavily" => { + if self.search.api_key_env.trim().is_empty() { + return Err(Error::Config( + "search.backend = «tavily» necesita search.api_key_env".into(), + )); + } + } + "searxng" => { + if self.search.base_url.trim().is_empty() { + return Err(Error::Config( + "search.backend = «searxng» necesita search.base_url".into(), + )); + } + } + "ddgs" | "comando" => { + if self.search.command.is_empty() { + return Err(Error::Config( + "search.backend = «ddgs» necesita search.command".into(), + )); + } + } + other => { + return Err(Error::Config(format!( + "search.backend desconocido: «{other}». Usa «tavily», «ddgs» o «searxng»" + ))) + } + } + } + if self.camera.enabled && (self.camera.width == 0 || self.camera.height == 0) { + return Err(Error::Config( + "camera.width y camera.height deben ser > 0".into(), + )); + } if self.tools.shell && self.tools.shell_allowlist.is_empty() { return Err(Error::Config( "tools.shell está activo pero tools.shell_allowlist está vacía: \ diff --git a/crates/asist-core/src/tools.rs b/crates/asist-core/src/tools.rs index 0b8a646..ac08141 100644 --- a/crates/asist-core/src/tools.rs +++ b/crates/asist-core/src/tools.rs @@ -35,6 +35,17 @@ pub trait Tool: Send + Sync { fn is_side_effecting(&self) -> bool { false } + + /// Frase que se pronuncia nada más empezar a ejecutarla. + /// + /// Existe por una razón de trato, no de adorno: una búsqueda son unos + /// 2,5 s, la cámara casi 3, y a eso hay que sumarle las dos pasadas del + /// modelo. Seis segundos de silencio absoluto se leen como que el + /// asistente se ha colgado. Devuelve `None` la herramienta que responda + /// al instante, donde el acuse molestaría más que ayudar. + fn acknowledgement(&self) -> Option<&str> { + None + } } /// Una llamada tal y como la pide el modelo. @@ -453,6 +464,7 @@ mod tests { ToolsConfig { enabled: true, dedicated_prompt: true, + spoken_ack: true, shell: true, shell_allowlist: vec!["echo".into(), "sleep".into()], shell_timeout_secs: 1, diff --git a/crates/asist-llm/Cargo.toml b/crates/asist-llm/Cargo.toml index 6090cf4..cf8370f 100644 --- a/crates/asist-llm/Cargo.toml +++ b/crates/asist-llm/Cargo.toml @@ -7,6 +7,7 @@ license.workspace = true [dependencies] asist-core.workspace = true +base64.workspace = true serde.workspace = true serde_json.workspace = true tracing.workspace = true 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(), diff --git a/crates/asist-tools/Cargo.toml b/crates/asist-tools/Cargo.toml new file mode 100644 index 0000000..b0cc51a --- /dev/null +++ b/crates/asist-tools/Cargo.toml @@ -0,0 +1,16 @@ +[package] +name = "asist-tools" +version.workspace = true +edition.workspace = true +rust-version.workspace = true +license.workspace = true + +[dependencies] +asist-core.workspace = true +asist-llm.workspace = true +serde_json.workspace = true +tracing.workspace = true +# Cliente con TLS sólo para las peticiones que salen a internet. El de +# asist-core es HTTP plano a propósito —vale para localhost y permite cortar +# una descarga a media frase—, pero un buscador está detrás de HTTPS. +ureq = { version = "3", default-features = false, features = ["rustls", "json", "gzip"] } diff --git a/crates/asist-tools/src/camera.rs b/crates/asist-tools/src/camera.rs new file mode 100644 index 0000000..fe41319 --- /dev/null +++ b/crates/asist-tools/src/camera.rs @@ -0,0 +1,290 @@ +//! Mirar por la cámara. +//! +//! El servidor ya tiene cargado el proyector multimodal, así que el mismo +//! modelo que conversa puede describir una imagen. La herramienta hace tres +//! cosas: capturar un fotograma, preguntarle al modelo por él y devolver la +//! respuesta como texto. +//! +//! Que la pregunta viaje hasta la cámara importa: «¿de qué color es mi +//! camiseta?» y «¿cuánta gente hay?» necesitan la misma imagen pero +//! descripciones muy distintas, y pedir una descripción genérica para luego +//! interrogarla pierde justo el detalle que se buscaba. +//! +//! La captura no se guarda en disco salvo que se pida expresamente: un +//! asistente que deja fotogramas por ahí es un problema de privacidad, no una +//! comodidad de depuración. + +use std::path::PathBuf; +use std::process::{Command, Stdio}; +use std::sync::Arc; +use std::time::{Duration, Instant}; + +use asist_core::error::{Error, Result}; +use asist_core::http::Cancel; +use asist_core::tools::Tool; +use asist_llm::LlmClient; +use serde_json::{json, Value}; + +/// Cómo se captura el fotograma. +#[derive(Debug, Clone)] +pub struct CaptureConfig { + /// Dispositivo V4L2. + pub device: PathBuf, + pub width: u32, + pub height: u32, + /// Fotogramas que se descartan antes de quedarse con uno. + /// + /// La cámara arranca con la exposición automática sin asentar y el primer + /// fotograma suele salir quemado. Descartar unos pocos es prácticamente + /// gratis —medido, 0,45 s frente a 0,53 s— y en penumbra se nota. + pub warmup_frames: u32, + /// Plazo máximo de la captura. + pub timeout: Duration, + /// Carpeta donde dejar los fotogramas. Vacío = no se guarda ninguno. + pub save_dir: Option, +} + +impl Default for CaptureConfig { + fn default() -> Self { + Self { + device: PathBuf::from("/dev/video0"), + // 640x480 es el punto de equilibrio medido: el modelo tarda 2,9 s + // y sigue describiendo bien. A 1280x720 tarda 7,8 s, y a 320x240 + // baja a 1,3 s pero deja de distinguir detalles. + width: 640, + height: 480, + warmup_frames: 5, + timeout: Duration::from_secs(15), + save_dir: None, + } + } +} + +/// Captura un fotograma en JPEG. +/// +/// Se apoya en ffmpeg en vez de hablar con V4L2 directamente: una cámara USB +/// entrega MJPEG, YUYV o lo que le parezca, y reimplementar esa negociación +/// para ahorrarse un proceso no sale a cuenta. +pub fn capture(config: &CaptureConfig) -> Result> { + let fail = |message: String| Error::Tool { + tool: "mirar_por_la_camara".into(), + message, + }; + + if !config.device.exists() { + return Err(fail(format!( + "no existe el dispositivo {}. Comprueba con «v4l2-ctl --list-devices»", + config.device.display() + ))); + } + + let started = Instant::now(); + let mut command = Command::new("ffmpeg"); + command + .args(["-hide_banner", "-loglevel", "error", "-nostdin"]) + .args(["-f", "v4l2"]) + .args([ + "-video_size", + &format!("{}x{}", config.width, config.height), + ]) + .arg("-i") + .arg(&config.device); + + if config.warmup_frames > 0 { + // Se leen N fotogramas y se conserva el último: es la forma de dejar + // que la exposición se asiente sin abrir el dispositivo dos veces. + command.args(["-vf", &format!("select=eq(n\\,{})", config.warmup_frames)]); + } + command + .args(["-frames:v", "1"]) + .args(["-f", "image2", "-c:v", "mjpeg"]) + .arg("-") + .stdin(Stdio::null()) + .stdout(Stdio::piped()) + .stderr(Stdio::piped()); + + let mut child = command.spawn().map_err(|e| { + fail(format!( + "no se pudo ejecutar ffmpeg ({e}); hace falta para leer la cámara" + )) + })?; + + let deadline = Instant::now() + config.timeout; + loop { + match child.try_wait().map_err(|e| fail(e.to_string()))? { + Some(_) => break, + None if Instant::now() >= deadline => { + let _ = child.kill(); + let _ = child.wait(); + return Err(fail(format!( + "la cámara no respondió en {} s", + config.timeout.as_secs() + ))); + } + None => std::thread::sleep(Duration::from_millis(20)), + } + } + + let output = child.wait_with_output().map_err(|e| fail(e.to_string()))?; + if !output.status.success() || output.stdout.is_empty() { + let stderr = String::from_utf8_lossy(&output.stderr); + let hint = if stderr.contains("Permission denied") { + ". Tu usuario necesita estar en el grupo «video»" + } else if stderr.contains("Device or resource busy") { + ". Otra aplicación está usando la cámara" + } else { + "" + }; + return Err(fail(format!( + "ffmpeg no capturó nada{hint}: {}", + stderr.trim().lines().next_back().unwrap_or("sin detalles") + ))); + } + + if let Some(dir) = &config.save_dir { + // Sólo si se ha pedido: por defecto la imagen no toca el disco. + if let Err(err) = std::fs::create_dir_all(dir).and_then(|()| { + let name = format!( + "frame-{}.jpg", + std::time::SystemTime::now() + .duration_since(std::time::UNIX_EPOCH) + .map(|d| d.as_secs()) + .unwrap_or(0) + ); + std::fs::write(dir.join(name), &output.stdout) + }) { + tracing::warn!(target: "camara", %err, "no se pudo guardar el fotograma"); + } + } + + tracing::info!( + target: "camara", + dispositivo = %config.device.display(), + resolucion = format!("{}x{}", config.width, config.height), + kb = output.stdout.len() / 1024, + ms = started.elapsed().as_millis(), + "fotograma capturado" + ); + Ok(output.stdout) +} + +pub struct Camera { + config: CaptureConfig, + llm: Arc, +} + +impl Camera { + pub fn new(config: CaptureConfig, llm: Arc) -> Self { + Self { config, llm } + } + + /// `true` si el dispositivo está presente. Sin esto no tiene sentido + /// declarar la herramienta: el modelo la llamaría y fallaría siempre. + pub fn available(config: &CaptureConfig) -> bool { + config.device.exists() + } +} + +impl Tool for Camera { + fn name(&self) -> &str { + "mirar_por_la_camara" + } + + fn description(&self) -> &str { + "Toma una foto con la cámara del equipo y responde a una pregunta sobre \ + lo que se ve. Úsala cuando te pregunten qué ves, qué hay delante, de qué \ + color es algo o cuántas cosas hay." + } + + fn parameters(&self) -> Value { + json!({ + "type": "object", + "properties": { + "pregunta": { + "type": "string", + "description": "La pregunta del usuario tal cual, sin concretarla más de lo que él dijo. Si sólo quiere saber qué hay delante, pon: ¿Qué se ve?" + } + }, + "required": ["pregunta"] + }) + } + + /// Enciende la cámara, así que se anuncia como tal. + fn is_side_effecting(&self) -> bool { + true + } + + fn acknowledgement(&self) -> Option<&str> { + Some("Voy a mirar.") + } + + fn call(&self, args: &Value) -> Result { + let question = args + .get("pregunta") + .and_then(Value::as_str) + .map(str::trim) + .filter(|q| !q.is_empty()) + .unwrap_or("¿Qué se ve en esta imagen?"); + + let frame = capture(&self.config)?; + + // Se le pide al modelo el estilo hablado aquí y no en la conversación: + // esta petición va fuera del historial, así que la instrucción de voz + // del asistente no le llega. + let prompt = format!( + "{question}\n\nResponde en una o dos frases cortas en español, en texto \ + plano, describiendo sólo lo que se ve de verdad en la imagen. Si no se \ + distingue, dilo." + ); + let started = Instant::now(); + let answer = self.llm.look(&frame, &prompt, &Cancel::new())?; + tracing::info!( + target: "camara", + ms = started.elapsed().as_millis(), + "el modelo describió el fotograma" + ); + Ok(answer) + } +} + +#[cfg(test)] +mod tests { + use super::*; + + #[test] + fn un_dispositivo_inexistente_se_detecta_antes_de_registrar_la_herramienta() { + let config = CaptureConfig { + device: PathBuf::from("/dev/video-que-no-existe"), + ..Default::default() + }; + assert!(!Camera::available(&config)); + } + + #[test] + fn capturar_de_un_dispositivo_inexistente_da_un_error_util() { + let config = CaptureConfig { + device: PathBuf::from("/dev/video-que-no-existe"), + ..Default::default() + }; + let err = capture(&config).unwrap_err().to_string(); + assert!(err.contains("no existe el dispositivo"), "{err}"); + assert!( + err.contains("v4l2-ctl"), + "el error debe decir cómo comprobarlo: {err}" + ); + } + + #[test] + fn por_defecto_no_se_guarda_ningun_fotograma() { + assert!( + CaptureConfig::default().save_dir.is_none(), + "guardar imágenes por defecto sería una fuga de privacidad" + ); + } + + #[test] + fn la_resolucion_por_defecto_es_la_medida_como_equilibrada() { + let config = CaptureConfig::default(); + assert_eq!((config.width, config.height), (640, 480)); + } +} diff --git a/crates/asist-tools/src/lib.rs b/crates/asist-tools/src/lib.rs new file mode 100644 index 0000000..796b3d8 --- /dev/null +++ b/crates/asist-tools/src/lib.rs @@ -0,0 +1,14 @@ +//! Herramientas que asoman el asistente al mundo: buscar en internet y mirar +//! por la cámara. +//! +//! Viven en un crate aparte de `asist-core` porque necesitan cosas que el +//! núcleo no debe arrastrar —un cliente con TLS, el modelo multimodal, el +//! dispositivo de vídeo—, y porque son el ejemplo de que el punto de extensión +//! funciona: se registran con `ToolRegistry::register` sin tocar el +//! orquestador. + +pub mod camera; +pub mod search; + +pub use camera::Camera; +pub use search::{SearchBackend, WebSearch}; diff --git a/crates/asist-tools/src/search.rs b/crates/asist-tools/src/search.rs new file mode 100644 index 0000000..b69c17d --- /dev/null +++ b/crates/asist-tools/src/search.rs @@ -0,0 +1,489 @@ +//! Búsqueda en internet. +//! +//! El resultado se va a leer en voz alta, así que lo que interesa no es una +//! lista de enlaces sino una respuesta. Por eso se prefiere un buscador que +//! sintetice —Tavily devuelve un párrafo ya redactado— y los titulares sólo +//! acompañan como respaldo cuando no hay síntesis. + +use std::path::PathBuf; +use std::process::{Command, Stdio}; +use std::time::{Duration, Instant}; + +use asist_core::error::{Error, Result}; +use asist_core::tools::Tool; +use serde_json::{json, Value}; + +/// De dónde salen los resultados. +#[derive(Debug, Clone)] +pub enum SearchBackend { + /// API de Tavily. Devuelve una respuesta ya redactada además de los + /// resultados, que es justo lo que hace falta para hablarla. + Tavily { api_key: String }, + /// Instancia de SearXNG, propia o de confianza. Sin clave, pero devuelve + /// sólo resultados: la síntesis la tiene que hacer el modelo. + SearxNG { base_url: String }, + /// Un programa externo que imprime los resultados en JSON. + /// + /// Es la vía sin clave: `scripts/buscar-ddgs.sh` consulta DuckDuckGo y + /// compañía a través de la librería `ddgs`. Vale para cualquier otra cosa + /// que escriba JSON por la salida estándar —un puente a un servidor MCP, + /// un buscador interno—, así que también es el punto de extensión del + /// apartado de búsqueda. + /// + /// En `args`, `{consulta}` y `{max}` se sustituyen antes de ejecutar. + Command { program: PathBuf, args: Vec }, +} + +impl SearchBackend { + /// Backend sin clave por omisión: el guion que envuelve a ddgs. + pub fn ddgs(script: impl Into) -> Self { + SearchBackend::Command { + program: script.into(), + args: vec!["{consulta}".into(), "{max}".into()], + } + } +} + +impl SearchBackend { + pub fn label(&self) -> &'static str { + match self { + SearchBackend::Tavily { .. } => "Tavily", + SearchBackend::SearxNG { .. } => "SearXNG", + SearchBackend::Command { .. } => "comando", + } + } +} + +pub struct WebSearch { + backend: SearchBackend, + max_results: usize, + timeout: Duration, +} + +impl WebSearch { + pub fn new(backend: SearchBackend, max_results: usize, timeout: Duration) -> Self { + Self { + backend, + max_results: max_results.clamp(1, 10), + timeout, + } + } + + pub fn backend(&self) -> &SearchBackend { + &self.backend + } + + fn agent(&self) -> ureq::Agent { + ureq::Agent::config_builder() + .timeout_global(Some(self.timeout)) + .build() + .into() + } + + fn fail(message: impl Into) -> Error { + Error::Tool { + tool: "buscar_en_internet".into(), + message: message.into(), + } + } + + fn tavily(&self, key: &str, query: &str) -> Result { + let body = json!({ + "query": query, + "max_results": self.max_results, + "search_depth": "basic", + // La respuesta redactada es la razón de usar este buscador: sin + // ella habría que gastar otra vuelta del modelo en resumir. + "include_answer": true, + }); + let mut response = self + .agent() + .post("https://api.tavily.com/search") + .header("Authorization", &format!("Bearer {key}")) + .send_json(&body) + .map_err(|e| Self::fail(describe_ureq(&e)))?; + + let parsed: Value = response + .body_mut() + .read_json() + .map_err(|e| Self::fail(format!("respuesta ilegible: {e}")))?; + + let (answer, results) = extract(&parsed, self.max_results); + compose(&answer, &results) + } + + /// Ejecuta el programa configurado y traduce lo que imprima. + fn command(&self, program: &std::path::Path, args: &[String], query: &str) -> Result { + let rendered: Vec = args + .iter() + .map(|arg| { + arg.replace("{consulta}", query) + .replace("{max}", &self.max_results.to_string()) + }) + .collect(); + + // Los argumentos van al `execve` tal cual: la consulta sale de lo que + // se ha oído por el micrófono, y no puede acabar interpretada por una + // shell. + let mut child = Command::new(program) + .args(&rendered) + .stdin(Stdio::null()) + .stdout(Stdio::piped()) + .stderr(Stdio::piped()) + .spawn() + .map_err(|e| Self::fail(format!("no se pudo ejecutar {}: {e}", program.display())))?; + + let deadline = Instant::now() + self.timeout; + loop { + match child.try_wait().map_err(|e| Self::fail(e.to_string()))? { + Some(_) => break, + None if Instant::now() >= deadline => { + let _ = child.kill(); + let _ = child.wait(); + return Err(Self::fail(format!( + "el buscador tardó más de {} s", +