Skip to content

agent.md

Latest commit

 

History

History
65 lines (45 loc) · 3.58 KB

agent.md

File metadata and controls

65 lines (45 loc) · 3.58 KB

Agent — DataPrepAgent (Agente Generalista)

Propósito

DataPrepAgent es el único agente orquestador del sistema. Coordina la ejecución de skills (acciones atómicas) sobre una AnalysisSession. Su responsabilidad es planificar, validar, ejecutar y persistir el resultado de una secuencia de skills.

Principio de densidad: No se crean agentes especializados adicionales (CleanerAgent, StatsAgent, etc.). Si una nueva skill encaja en el dominio de datos (I/O, limpieza, transformación, estadística, ML, visualización), se registra en este agente mediante @register_skill.

Arquitectura

Client → API (router) → AgentManager.execute_skill(...) → Skill → Domain Services → Repos
  • AgentManager es el dispatcher: recibe un skill_id y los **kwargs, valida, ejecuta y devuelve SkillResult.
  • El router NO debe llamar a domain_services directamente; siempre delega en AgentManager.

Modelos y contratos

  • AnalysisSession (ver src/core/models.py): contiene current_df y logs.
  • Firma esperada para skills: skill(session: AnalysisSession, **kwargs) -> dict | SkillResult

Ciclo de vida de una petición

  1. Cliente envía petición (p. ej. /api/clean/nulls).
  2. Router obtiene AnalysisSession via Depends(get_analysis_session).
  3. Router llama a agent_manager.execute_skill("clean_nulls", session, columns=[...], method="...").
  4. AgentManager valida, ejecuta la skill registrada y devuelve SkillResult.
  5. Router persiste AnalysisSession y devuelve respuesta al cliente.

Skills registradas en DataPrepAgent

skill_id Grupo Archivo de implementación
load_file I/O src/core/agents/skills/io_skills.py
export_file I/O src/core/agents/skills/io_skills.py
clean_nulls Cleaning src/core/agents/skills/clean_skills.py
drop_duplicates Cleaning src/core/agents/skills/clean_skills.py
scale_columns Transform src/core/agents/skills/transform_skills.py
encode_categoricals Transform src/core/agents/skills/transform_skills.py
compute_stats Stats src/core/agents/skills/stats_skills.py
kmeans_cluster ML src/core/agents/skills/ml_skills.py
plot Visualization src/core/agents/skills/visualization_skills.py

Trazabilidad y versionado

  • AnalysisSession debe extenderse con skill_history: List[dict] (ver BACKLOG).
  • Cada skill debe anotar su ejecución con skill_id, params, timestamp y result_summary.

Extensibilidad

  • Para añadir una nueva skill: implementar la función con @register_skill("nuevo_id") en el archivo de grupo correspondiente e importarla en dependencies.py.
  • AgentManager puede implementar hooks pre/post (validación, métricas, tracing) sin modificar las skills individuales.

Operación y despliegue

  • En entornos serverless (Vercel) evitar estado local compartido; usar S3/DB para current_df/artifacts (ver BACKLOG).
  • Documentar límites: uso de /tmp en Vercel y concurrencia limitada.

Referencias

  • src/core/models.py — AnalysisSession
  • src/core/agents/base.py — AgentManager, SkillResult, register_skill
  • src/adapters/api/dependencies.py — carga/guardado de sesión y singleton de AgentManager
  • src/core/domain_services.py — servicios de dominio que usan las skills