Skip to main content

tai-chat

PyPI Python Licencia: propietaria Manual

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. Las herramientas del agente leen como el usuario que pregunta: con sus permisos y sus reglas de fila, las mismas que la API.

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
schemas/chatbot.py  ──▶ tai-chat db push         ──▶ las conversaciones, el catálogo y el consumo
                        tai-chat dev             ──▶ el chat en http://localhost:4713

📖 El manual completo está en triplealpha-innovation.github.io/tai-chat


Quickstart

En un repositorio, con PostgreSQL, Poetry, Node 22 y Graphviz:

pip install tai-chat
echo 'MAIN_DATABASE_URL=postgresql://user:pass@localhost:5432/mydb' >> .env
set -a && . .env && set +a

tai-chat init          # chatbot/ (la API, el asistente y el front) y database/
# completar el .env con lo de chatbot/.env.example, y declarar los modelos en chatbot/config.yaml
tai-chat db push       # schemas, modelos, roles y el usuario admin
tai-chat config        # la tarifa de cada modelo
tai-chat dev           # http://localhost:4713

Una herramienta para el agente, en agente/herramientas/:

@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]

Los principios que explican el resto

  1. La declaración es la única fuente de verdad. Un chatbot se declara en config.yaml, rbac/chatbot.py y schemas/chatbot.py. Lo demás se deriva y no se edita a mano.
  2. tai-chat consume tai-sql y tai-api, no los reimplementa. El CRUD, la autenticación, los permisos y el cliente TypeScript son los suyos.
  3. El proyecto se despliega sin tai-chat. Lo que copia init no importa tai_chat: es una herramienta de desarrollo, no una dependencia de producción.
  4. Lo de un usuario solo lo alcanza él, por la API y a través del agente.
  5. Cada respuesta se cobra, con la tarifa de su modelo, y sin tarifa, saldo o límite el chat lo dice en vez de responder.

Qué trae

El agente LangChain y LangGraph, con streaming por WebSocket, memoria por conversación, un límite de vueltas y middlewares para filtrar herramientas por permisos
Herramientas que leen como el usuario El token del usuario llega a cada herramienta, que pide su permiso y consulta con sus reglas de fila: las de owner() y los roles de tai-api
Sub-agentes Herramientas que construyen su propio agente, con sus herramientas, el mismo usuario y el consumo sumado a la respuesta
Modelos OpenAI, Azure OpenAI y Google, declarados en config.yaml, elegibles por conversación
Consumo Tarifas con histórico, margen, límites mensuales por usuario y bolsas de crédito. Cada respuesta se apunta con todas sus llamadas al modelo
El front React, Vite, Tailwind y shadcn sobre el cliente de tai-api: el chat, la gestión de usuarios, el consumo y el laboratorio con los pasos del agente. La marca, desde config.yaml
Usuarios y roles La autenticación de tai-api, con realm y clave de firma propios. Cada uno ve sus conversaciones, también el Administrador
Docker Un compose con la API y el front, con los puertos de config.yaml
Reglas para asistentes de IA tai-chat rules install deja en el repositorio cómo funciona el chatbot, cómo se escriben sus herramientas y qué herramientas tiene este, junto a las de tai-sql y tai-api
Valoraciones tai-chat feedback: un informe en Markdown o PDF de lo que los usuarios valoraron, con su contexto

El manual

Sección Qué responde
Instalación Qué necesita tu máquina, y por qué
Tu primer chatbot De un repositorio vacío a un chat que responde
Configurar config.yaml, los modelos y su consumo, y los roles
El asistente Cómo funciona el agente, cómo darle herramientas y cómo construir 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

Desarrollo

git clone https://github.com/triplealpha-innovation/tai-chat
cd tai-chat
poetry install --all-extras

poetry run pytest -q -rs     # -rs: lo que se salta, y por qué

Los tests van por niveles de infraestructura: sin nada; con el proyecto generado por init (marcador proyecto, que también pasa ESLint al front); contra PostgreSQL (db), que necesita TAI_CHAT_TEST_POSTGRES_URL; y en el navegador (navegador), que además necesita Node y Chromium (cd tests/e2e && npm ci && npx playwright-core install chromium). Lo que no tiene su infraestructura se salta con el motivo, no falla; en el CI corren todos.

El CI tiene tres workflows: tests.yaml ejecuta la suite en cada push y PR a main y dev, docs.yaml publica el manual y publish.yaml publica a PyPI en push a main, después de pasar la suite. La rama de trabajo es dev.

El manual, en local

pip install -r docs/requirements.txt
mkdocs serve            # http://127.0.0.1:8000, con recarga en caliente
mkdocs build --strict   # lo mismo que valida el CI

El manual vive en docs/ y es para quien usa tai-chat. Para quien trabaja en tai-chat están CLAUDE.md, las reglas de .claude/rules/ y las especificaciones de specs/.


Licencia

Propietaria: © Triple Alpha Innovation, todos los derechos reservados. Ver LICENSE.


Desarrollado por Triple Alpha Innovation · Issues

Metadata

Release files for tai-chat 0.4.0

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for tai-chat 0.4.0
File Size Uploaded Provenance Actions
tai_chat-0.4.0.tar.gz 299.4 kB Without provenance Details for tai_chat-0.4.0.tar.gz

Built distribution (wheel)

Table of built distributions (wheels) for tai-chat 0.4.0
File Interpreter ABI Platform Actions
tai_chat-0.4.0-py3-none-any.whl Python 3 none any Details for tai_chat-0.4.0-py3-none-any.whl

Total release size: 684.0 kB

Release files / tai_chat-0.4.0.tar.gz

Download URL tai_chat-0.4.0.tar.gz
Size 299.4 kB
Tags Source
SHA-256 checksum
How to use checksums
f115df816d9a884598d14e38a7961c5c67b67a82ced5455627b8ce2239d30092
BLAKE2b-256 checksum
How to use checksums
e1a97afbf99ead953e733cc9ba5e4ae87e17ad37f313423a3f00bdef4e1bc621
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via poetry/2.5.1 CPython/3.11.0 Linux/6.17.0-1022-azure

Release files / tai_chat-0.4.0-py3-none-any.whl

Download URL tai_chat-0.4.0-py3-none-any.whl
Size 384.5 kB
Tags Python 3
SHA-256 checksum
How to use checksums
cd30985f0607c2701c7b9c1e5c2754d4a2b551f7769c4109f06802db94014c8b
BLAKE2b-256 checksum
How to use checksums
e599377591d66151de7c968d36b2e64b44f8614310faf932652d8034c42f5884
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via poetry/2.5.1 CPython/3.11.0 Linux/6.17.0-1022-azure

Security for tai-chat 0.4.0

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

No provenance found

None of the files in this release were uploaded with provenance metadata.

A note on package security

PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.

To learn more about protecting yourself from malicious actors, visit our package security documentation.

Anthropic, PBC Visionary sponsor Bloomberg Visionary sponsor Hudson River Trading Visionary sponsor Meta Visionary sponsor NVIDIA Visionary sponsor Microsoft Sustainability sponsor Depot Continuous Integration AWS Cloud computing and Security Sponsor Datadog Monitoring Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page