Architecture

Comment les données circulent dans asiai — des capteurs matériels à votre terminal, navigateur et agents IA.

Vue d'ensemble

Fichiers clés

Couche	Fichiers	Rôle
Moteurs	src/asiai/engines/	ABC InferenceEngine + 7 adaptateurs (Ollama, LM Studio, mlx-lm, llama.cpp, oMLX, vllm-mlx, Exo). Classe de base OpenAICompatEngine pour les moteurs compatibles OpenAI.
Collecteurs	src/asiai/collectors/	Métriques système : gpu.py (ioreg), system.py (CPU, mémoire, thermal), processes.py (activité d'inférence via lsof).
Benchmark	src/asiai/benchmark/	runner.py (warmup + N exécutions, médiane, stddev, CI95), prompts.py (prompts de test), card.py (génération de cartes SVG).
Stockage	src/asiai/storage/	db.py (SQLite WAL, tout le CRUD), schema.py (tables + migrations).
CLI	src/asiai/cli.py	Point d'entrée argparse, les 12 commandes.
Web	src/asiai/web/	FastAPI + htmx + SSE + ApexCharts dashboard. Routes dans routes/.
MCP	src/asiai/mcp/	Serveur FastMCP, 11 outils + 3 ressources. Transports : stdio, SSE, streamable-http.
Conseiller	src/asiai/advisor/	Recommandations adaptées au matériel (dimensionnement modèles, sélection moteur).
Affichage	src/asiai/display/	Formateurs ANSI (formatters.py), rendu CLI (cli_renderer.py), TUI (tui.py).

Flux de données

Monitoring (mode daemon)

Toutes les 60s :
  collecteurs → snapshot dict → store_snapshot(db) → table models
                                                   → table metrics
  moteurs     → état moteur   → store_engine_status(db)

Benchmark

CLI --bench → détecter moteurs → choisir modèle → warmup → N exécutions
           → calculer médiane/stddev/CI95 → store_benchmark(db)
           → afficher tableau (ANSI ou JSON)
           → optionnel : --share → POST vers l'API communautaire
           → optionnel : --card  → générer une carte SVG

Dashboard web

Navigateur → FastAPI → template Jinja2 (rendu initial)
          → htmx SSE → /api/v1/stream → mises à jour temps réel
          → ApexCharts → /api/v1/metrics?hours=N → graphiques historiques

Serveur MCP

Agent IA → stdio/SSE/HTTP → FastMCP → appel d'outil
        → exécute collecteur/benchmark dans un thread pool (asyncio.to_thread)
        → retourne du JSON structuré

Principes de conception

1. Zéro dépendance pour le cœur — CLI, collecteurs, moteurs, stockage n'utilisent que la stdlib Python. Les extras optionnels ([web], [tui], [mcp]) ajoutent des dépendances uniquement quand c'est nécessaire.
2. Couche de données partagée — La même base SQLite sert au CLI, au web, au MCP et à Prometheus. Pas de stockage séparé.
3. Pattern adaptateur — Les 7 moteurs implémentent l'ABC InferenceEngine. Ajouter un nouveau moteur = 1 fichier + enregistrement dans detect.py.
4. Imports paresseux — Chaque commande CLI importe ses dépendances localement, gardant le temps de démarrage rapide.
5. Natif macOS — ioreg pour le GPU, launchd pour les daemons, lsof pour l'activité d'inférence. Pas d'abstractions Linux.