pugnacious-yezo931/Local-Agent-Studio

Que fait Local-Agent-Studio ?

Connecter les outils locaux, bases de données et LLMs via une interface de bureau pour Windows, Linux et macOS.

Présentation

Local-Agent-Studio fournit une interface de bureau unifiée pour connecter et orchestrer des outils locaux, des bases de données et des modèles de langage (LLMs) sur Windows, Linux et macOS. Il permet aux développeurs d'agents IA de prototyper rapidement des workflows sans nécessiter de configuration complexe en ligne de commande.

Fonctionnalités

• Interface graphique intuitive : gérez vos outils, LLMs et bases de données depuis une seule fenêtre.
• Prise en charge multiplateforme : fonctionne de manière native sous Windows, Linux et macOS.
• Intégration LLM locale : connectez des modèles via Ollama, llama.cpp, ou tout serveur compatible OpenAI.
• Outils locaux : exposez des scripts shell, des API REST locales ou des requêtes SQL en tant que services.
• Bases de données : connectez SQLite, PostgreSQL, MySQL ou d'autres bases via des connecteurs prêts à l'emploi.
• Architecture modulaire : chaque outil ou LLM est un service indépendant, facile à composer et à déboguer.

Installation

git clone https://github.com/pugnacious-yezo931/Local-Agent-Studio.git
cd Local-Agent-Studio
pip install -r requirements.txt
python main.py

Assurez-vous d'avoir Python 3.10+ et les dépendances listées dans requirements.txt.

Utilisation

1. Lancez l'application avec python main.py.
2. Dans l'interface, ajoutez vos LLMs : configurez l'URL et la clé API (ou laissez vide pour un modèle local).
3. Ajoutez vos outils : spécifiez le chemin du script ou la commande à exécuter.
4. Connectez vos bases de données : renseignez les paramètres de connexion (type, hôte, port, utilisateur, mot de passe).
5. Créez des workflows en reliant les entrées/sorties des outils et LLMs.
6. Lancez l'exécution et visualisez les résultats en temps réel.

Exemple de workflow

1. Un utilisateur saisit une question dans l'interface.
2. Le message est envoyé à un LLM local (ex: via Ollama).
3. Le LLM répond en structurant une requête SQL.
4. La requête est exécutée sur une base SQLite locale.
5. Le résultat est formaté par un script shell et renvoyé à l'utilisateur.

Configuration

Les paramètres sont stockés dans config.yaml. Vous pouvez y définir les connexions par défaut.

llms:
  - name: "local-llama"
    type: ollama
    url: "http://localhost:11434"
databases:
  - name: "local-sqlite"
    type: sqlite
    path: "./data.db"
tools:
  - name: "shell-script"
    command: "scripts/process.sh"

Dépendances

• Python 3.10+
• PyQt6 (interface graphique)
• requests (appels HTTP)
• sqlalchemy (connexions base de données)
• openai (client LLM compatible)

Licence

MIT