Arquitectura

Cómo fluyen los datos a través de asiai — desde los sensores de hardware hasta tu terminal, navegador y agentes IA.

Descripción general

Archivos clave

Capa	Archivos	Función
Motores	src/asiai/engines/	ABC InferenceEngine + 7 adaptadores (Ollama, LM Studio, mlx-lm, llama.cpp, oMLX, vllm-mlx, Exo). Clase base OpenAICompatEngine para motores compatibles con OpenAI.
Recolectores	src/asiai/collectors/	Métricas del sistema: gpu.py (ioreg), system.py (CPU, memoria, térmico), processes.py (actividad de inferencia vía lsof).
Benchmark	src/asiai/benchmark/	runner.py (warmup + N ejecuciones, mediana, stddev, CI95), prompts.py (prompts de prueba), card.py (generación de tarjetas SVG).
Almacenamiento	src/asiai/storage/	db.py (SQLite WAL, todo el CRUD), schema.py (tablas + migraciones).
CLI	src/asiai/cli.py	Punto de entrada Argparse, los 12 comandos.
Web	src/asiai/web/	FastAPI + htmx + SSE + dashboard ApexCharts. Rutas en routes/.
MCP	src/asiai/mcp/	Servidor FastMCP, 11 herramientas + 3 recursos. Transportes: stdio, SSE, streamable-http.
Asesor	src/asiai/advisor/	Recomendaciones basadas en hardware (dimensionamiento de modelos, selección de motor).
Visualización	src/asiai/display/	Formateadores ANSI (formatters.py), renderizador CLI (cli_renderer.py), TUI (tui.py).

Flujo de datos

Monitorización (modo daemon)

Cada 60s:
  recolectores → dict instantánea → store_snapshot(db) → tabla models
                                                       → tabla metrics
  motores      → estado del motor → store_engine_status(db)

Benchmark

CLI --bench → detectar motores → elegir modelo → warmup → N ejecuciones
           → calcular mediana/stddev/CI95 → store_benchmark(db)
           → renderizar tabla (ANSI o JSON)
           → opcional: --share → POST a API comunitaria
           → opcional: --card  → generar tarjeta SVG

Dashboard web

Navegador → FastAPI → plantilla Jinja2 (renderizado inicial)
         → htmx SSE → /api/v1/stream → actualizaciones en tiempo real
         → ApexCharts → /api/v1/metrics?hours=N → gráficos históricos

Servidor MCP

Agente IA → stdio/SSE/HTTP → FastMCP → llamada a herramienta
         → ejecuta recolector/benchmark en pool de hilos (asyncio.to_thread)
         → devuelve JSON estructurado

Principios de diseño

1. Cero dependencias para el núcleo — CLI, recolectores, motores, almacenamiento usan solo stdlib de Python. Los extras opcionales ([web], [tui], [mcp]) añaden dependencias solo cuando es necesario.
2. Capa de datos compartida — La misma base de datos SQLite sirve al CLI, web, MCP y Prometheus. Sin almacenes de datos separados.
3. Patrón adaptador — Los 7 motores implementan el ABC InferenceEngine. Añadir un nuevo motor = 1 archivo + registrar en detect.py.
4. Imports perezosos — Cada comando CLI importa sus dependencias localmente, manteniendo el tiempo de arranque rápido.
5. Nativo de macOS — ioreg para GPU, launchd para daemons, lsof para actividad de inferencia. Sin abstracciones Linux.