# NaliiaBot

Agente conversacional basado en LangGraph para gestión de agenda y atención al cliente.

## Características

- Agente conversacional inteligente basado en LangGraph
- Sistema de herramientas (tools) con integración MCP
- Integración con modelos LLM (Anthropic Claude, DeepSeek)
- API FastAPI para interacción
- Checkpointing con PostgreSQL para persistencia de estado
- Tests completos con pytest

## Estructura del proyecto

```
NaliiaBot/
├── src/
│   ├── naliiabot/
│   │   ├── bot/
│   │   │   ├── agent/              # Agente LangGraph
│   │   │   │   ├── agent.py
│   │   │   │   └── schemas.py
│   │   │   ├── tools/              # Herramientas del agente
│   │   │   │   ├── naliia_tools.py
│   │   │   │   └── schemes.py
│   │   │   ├── factories/           # Factorías (LLM)
│   │   │   └── prompts/            # Prompts del agente
│   │   └── bot/
│   ├── naliiabotapi/               # API FastAPI
│   │   ├── main.py
│   │   ├── api/
│   │   │   ├── v1/endpoints/
│   │   │   └── v1/webhooks/
│   │   └── schemes/
│   ├── mcp/                        # Servidor MCP
│   └── ui/                         # Frontend
├── tests/
├── docker-compose.yaml             # PostgreSQL para checkpointing
├── pyproject.toml                  # Configuración Poetry
└── README.md
```

## Requisitos

- Python 3.13+
- PostgreSQL (via Docker)
- MCP server ejecutándose en `http://localhost:8001/mcp`

## Instalación

```bash
# Instalar dependencias con Poetry
poetry install

# Configurar variables de entorno
cp .env.example .env
# Editar .env con tus configuraciones
```

## Uso

### Iniciar servicios

```bash
# Iniciar PostgreSQL
docker-compose up -d

# Iniciar servidor MCP
# (configurar según implementación)

# Iniciar API
task dev
```

### Comandos disponibles

| Comando | Descripción |
|---------|-------------|
| `task dev` | Iniciar servidor API en puerto 8010 |
| `task test` | Ejecutar todos los tests |
| `task test-cov` | Ejecutar tests con coverage |

### Variables de entorno

| Variable | Descripción | Valor por defecto |
|----------|-------------|-------------------|
| `LLM_MODEL` | Modelo LLM a usar | `deepseek` |
| `POSTGRES_USER` | Usuario PostgreSQL | `postgres` |
| `POSTGRES_PASSWORD` | Contraseña PostgreSQL | `postgres` |
| `POSTGRES_DB` | Base de datos | `messages` |

## Tools disponibles

El agente cuenta con las siguientes herramientas:

- `get_current_datetime` - Consulta fecha y hora actual
- `get_tomorrow_date` - Calcula la fecha de mañana
- `find_service_centers` - Lista centros de servicio disponibles
- `find_products_and_services` - Lista productos y servicios
- `schedule_appointment` - Agenda una cita

## API Endpoints

- `GET /` - Raíz
- `GET /health` - Health check
- `POST /api/v1/chat` - Enviar mensaje al agente
- `POST /api/v1/webhooks/chat` - Webhook para callbacks

## Tests

```bash
# Ejecutar todos los tests
pytest -v

# Tests con coverage
task test-cov
```

## Desarrollo

El proyecto sigue una arquitectura basada en:
- **LangGraph**: Grafo de estados para el agente conversacional
- **FastAPI**: API REST sincrónica
- **PostgreSQL**: Persistencia de estado via checkpointing
- **MCP**: Modelo de contexto para herramientas externas

## Licencia

MIT