CHANGELOG.md

Registro de Cambios

Todos los cambios notables en el proyecto MALLO serán documentados en este archivo.

El formato está basado en Keep a Changelog, y este proyecto se adhiere a Versionado Semántico.

[2.3.0] - 2024-10-17

Añadido

• Implementación de un sistema de búsqueda web mejorado y robusto:
  • Se ha integrado la API de YOU como método principal de búsqueda.
  • Se han añadido Tavily y DuckDuckGo como métodos de recuperación alternativos.
• Nueva función perform_web_search que utiliza múltiples métodos de búsqueda con un sistema de fallback.
• Integración de la biblioteca Tavily para búsquedas web avanzadas.
• Nuevo sistema de manejo de errores y reintentos para las búsquedas web.

Cambiado

• Actualización de la configuración en config.yaml para soportar múltiples métodos de búsqueda web.
• Modificación de la función check_web_search para probar todos los métodos de búsqueda implementados.
• Refactorización del código de búsqueda web en utilities.py para mayor modularidad y eficiencia.

Mejorado

• Optimización del rendimiento de las búsquedas web mediante la implementación de múltiples APIs.
• Mejora en la robustez del sistema frente a fallos en las APIs de búsqueda.
• Refinamiento del manejo de secretos y claves API para mantener la consistencia en toda la aplicación.

Corregido

• Solución al problema de límite de tasa (rate limit) con DuckDuckGo mediante la implementación de retrasos exponenciales y múltiples métodos de búsqueda.

Seguridad

• Mejora en el manejo de claves API sensibles utilizando el sistema de secretos existente.

Documentación

• Actualización de la documentación interna sobre el uso y configuración de los nuevos métodos de búsqueda web.
• Adición de comentarios explicativos en el código de utilities.py para facilitar futuras modificaciones.

Justificación de los cambios

• Estos cambios buscan mejorar la fiabilidad y eficacia del sistema de búsqueda web de MALLO.
• La implementación de múltiples métodos de búsqueda aumenta la robustez del sistema y reduce la dependencia de un único proveedor.
• Las mejoras en el manejo de errores y la configuración flexible permiten una adaptación más rápida a cambios en las APIs externas.

Impacto esperado

• Mayor fiabilidad en la obtención de información actualizada para las consultas de los usuarios.
• Reducción de interrupciones del servicio debido a problemas con APIs de búsqueda individuales.
• Mejora en la calidad y relevancia de las respuestas proporcionadas por MALLO.

Próximos pasos

• Realizar pruebas exhaustivas del nuevo sistema de búsqueda web en diferentes escenarios y cargas de trabajo.
• Monitorear el rendimiento de cada método de búsqueda para optimizar su uso y orden de prioridad.
• Explorar la posibilidad de añadir más fuentes de búsqueda para aumentar la diversidad de información.
• Desarrollar un sistema de caché para resultados de búsqueda frecuentes, reduciendo la carga en las APIs externas.
• Implementar un sistema de retroalimentación para que los usuarios puedan reportar la calidad de las búsquedas web.

[2.2.0] - 2024-10-03

Añadido

• Implementación de un sistema de progreso visible para el usuario:
  • Se ha incorporado un indicador de progreso que muestra las diferentes etapas del procesamiento de la consulta en tiempo real.
• Nueva funcionalidad de resumen de características de MALLO:
  • Se ha añadido una descripción concisa de las capacidades clave del sistema en la interfaz de usuario.
• Evaluación de cumplimiento con la sentencia T-323 de 2024:
  • Se ha realizado un análisis detallado del cumplimiento de MALLO con las directrices establecidas por la Corte Constitucional.

Cambiado

• Restructuración de la interfaz de usuario:
  • La respuesta final ahora se muestra de forma más limpia, sin información de procesamiento adicional.
  • Los detalles del proceso y la evaluación ética se han movido a secciones expandibles separadas.
• Optimización de la función process_user_input:
  • Se ha eliminado la variable no utilizada details_placeholder.
  • Se ha corregido la definición de start_time para un cálculo preciso del tiempo de procesamiento.
• Actualización de la estructura de directorios:
  • Se ha añadido un directorio docs/ para almacenar informes y ejemplos de consultas.

Mejorado

• Refinamiento del proceso de evaluación ética:
  • La evaluación ética ahora se realiza de manera más integrada en el flujo de procesamiento.
  • Se ha mejorado la presentación de los resultados de la evaluación ética al usuario.
• Optimización del rendimiento:
  • Se han implementado mejoras para reducir el tiempo de procesamiento y el uso de recursos.
• Actualización de la documentación:
  • Se ha creado un informe detallado sobre el cumplimiento de MALLO con la sentencia T-323 de 2024.
  • Se ha actualizado el README con información sobre la nueva estructura de directorios y las características recientes.

Justificación de los cambios

• Estos cambios buscan mejorar la experiencia del usuario proporcionando más transparencia en el proceso de generación de respuestas.
• La restructuración de la interfaz y la optimización del código contribuyen a una interacción más fluida y eficiente con el sistema.
• La evaluación de cumplimiento con la sentencia T-323 de 2024 asegura que MALLO se alinee con las directrices legales y éticas más recientes.

Impacto esperado

• Mayor comprensión por parte del usuario del proceso interno de MALLO.
• Mejora en la percepción de transparencia y confiabilidad del sistema.
• Incremento en la eficiencia y velocidad de respuesta del sistema.
• Mejor alineación con las normativas legales y éticas vigentes.

Próximos pasos

• Realizar pruebas de usuario para evaluar la recepción de la nueva interfaz y el sistema de progreso.
• Continuar refinando el proceso de evaluación ética basándose en el feedback de los usuarios y expertos en ética de IA.
• Explorar la posibilidad de implementar un sistema de explicabilidad más detallado para las decisiones tomadas por MALLO.
• Desarrollar guías de usuario que expliquen cómo interpretar la información de progreso y los resultados de la evaluación ética.
• Implementar módulos específicos para mejorar la adaptación de MALLO al contexto judicial colombiano.

[2.1.0] - 2024-10-02

Añadido

• Implementación de evaluación ética y de cumplimiento:
  • Se ha incorporado la función evaluate_ethical_compliance para analizar las respuestas generadas en términos de sesgo, privacidad, transparencia, alineación con derechos humanos, responsabilidad y explicabilidad.
  • La función process_user_input ahora incluye esta evaluación ética y utiliza un asistente especializado (ID: 'asst_F33bnQzBVqQLcjveUTC14GaM') para mejorar las respuestas si se detectan problemas éticos.

Cambiado

• Actualización de la función process_user_input:
  • Ahora muestra al usuario información sobre la evaluación ética de las respuestas generadas.
  • Incluye una declaración de cumplimiento que informa al usuario sobre el uso de IA y la evaluación ética realizada.

Mejorado

• Ampliación de las palabras clave relacionadas con la gobernanza de IA, ética en IA, y regulación de IA para mejorar la contextualización de las consultas.

Justificación de los cambios

• Estos cambios responden a las últimas recomendaciones y directrices internacionales para la gobernanza de la IA, así como a lo establecido en la sentencia T-323 de 2024 de la Corte Constitucional colombiana.
• La implementación de la evaluación ética y de cumplimiento busca garantizar que las respuestas generadas por MALLO estén alineadas con principios éticos y legales.

Impacto esperado

• Mayor transparencia en el uso de IA para los usuarios del sistema MALLO.
• Mejora en la alineación de las respuestas generadas con principios éticos y legales.
• Cumplimiento más riguroso con las normativas y recomendaciones nacionales e internacionales sobre el uso de IA.

Próximos pasos

• Realizar pruebas exhaustivas del nuevo sistema de evaluación ética y recopilar feedback de los usuarios.
• Refinar y ampliar los criterios de evaluación ética basándose en los resultados obtenidos.
• Explorar la posibilidad de implementar un sistema más avanzado de detección y mitigación de sesgos en las respuestas generadas.
• Desarrollar un módulo de capacitación para usuarios sobre la interpretación de la evaluación ética y el uso responsable de las respuestas generadas por IA.

[2.0.0] - 2024-09-26

Añadido

• Integración de la familia de modelos Llama 3.2:
  • Se han adicionado los modelos Llama 3.2 de 1B, 3B, 11B y 90B, lo que amplía las capacidades del sistema MALLO para manejar consultas complejas y multifacéticas.
  • Estos modelos están optimizados para multilingüismo y tareas de diálogo, lo que permitirá mejorar la comprensión y generación de respuestas en diferentes idiomas.

Justificación de la integración

• La integración de Llama 3.2 permitirá mejorar la capacidad del sistema MALLO para manejar consultas complejas y multifacéticas.
• La optimización de estos modelos para tareas de diálogo y multilingüismo permitirá mejorar la comprensión y generación de respuestas en diferentes idiomas.
• La adición de estos modelos ampliará las capacidades del sistema MALLO y permitirá mejorar la calidad de las respuestas generadas.

Impacto esperado

• Mejora en la capacidad del sistema MALLO para manejar consultas complejas y multifacéticas.
• Mejor comprensión y generación de respuestas en diferentes idiomas.
• Ampliación de las capacidades del sistema MALLO y mejora en la calidad de las respuestas generadas.

Próximos pasos

• Realizar pruebas exhaustivas con los modelos Llama 3.2 para evaluar su rendimiento y ajustar los parámetros de configuración según sea necesario.
• Integrar los modelos Llama 3.2 en la arquitectura del sistema MALLO y realizar pruebas de integración.
• Recopilar feedback de usuarios para evaluar la mejora en la calidad de las respuestas generadas con los modelos Llama 3.2.

[1.9.0] - 2024-09-18

Añadido

• Integración del modelo DeepSeek 2.5 a través de OpenRouter.
  • Este modelo combina las capacidades de DeepSeek-V2-Chat y DeepSeek-Coder-V2-Instruct, ofreciendo una solución versátil para tareas generales y de codificación.

Cambiado

• Actualización de la configuración del meta-analista:
  • Se ha establecido DeepSeek 2.5 como el modelo predeterminado para el meta-análisis.
• Modificación en la configuración del análisis final:
  • Hermes 3 (nousresearch/hermes-3-llama-3.1-405b) ha sido designado como el modelo principal para el análisis final.

Justificación de los cambios

1. Integración de DeepSeek 2.5:

   • Versatilidad mejorada: La combinación de capacidades generales y de codificación en un solo modelo permite una mayor flexibilidad en el manejo de consultas diversas.
   • Optimización de recursos: Al utilizar un modelo que abarca múltiples dominios, se reduce la necesidad de cambiar entre diferentes modelos especializados, potencialmente mejorando la eficiencia del sistema.
   • Alineación mejorada con preferencias humanas: DeepSeek 2.5 ha sido optimizado para seguir instrucciones de manera más precisa, lo que puede resultar en respuestas más relevantes y contextuales.

2. DeepSeek 2.5 como meta-analista predeterminado:

   • Capacidad de síntesis mejorada: Las habilidades combinadas de chat general y codificación hacen que DeepSeek 2.5 sea ideal para sintetizar información de diversas fuentes y dominios.
   • Mejor comprensión de contexto: La optimización en el seguimiento de instrucciones puede llevar a un meta-análisis más preciso y coherente.
   • Potencial para manejar consultas técnicas y no técnicas: La versatilidad del modelo permite un meta-análisis más robusto en una amplia gama de temas.

3. Hermes 3 para análisis final:

   • Capacidades de razonamiento avanzadas: Hermes 3 ha demostrado un rendimiento excepcional en tareas que requieren razonamiento complejo, haciéndolo ideal para el análisis final de respuestas.
   • Manejo de contexto a largo plazo: La habilidad de Hermes 3 para mantener coherencia en conversaciones de múltiples turnos es crucial para un análisis final que tenga en cuenta todo el contexto de la interacción.
   • Alineación con instrucciones precisas: La capacidad de Hermes 3 para seguir instrucciones de manera exacta y adaptativa es esencial para realizar un análisis final riguroso y ajustado a los requerimientos específicos de cada consulta.

Impacto esperado

• Mayor precisión en las respuestas generadas por el sistema MALLO.
• Mejora en la capacidad de manejar consultas complejas y multifacéticas.
• Potencial reducción en el tiempo de procesamiento para ciertos tipos de consultas.
• Mejor adaptabilidad a una amplia gama de estilos de consulta y dominios de conocimiento.

Próximos pasos

• Monitorear el rendimiento de DeepSeek 2.5 y Hermes 3 en sus nuevos roles.
• Recopilar feedback de usuarios para evaluar la mejora en la calidad de las respuestas.
• Considerar ajustes finos en los prompts y parámetros de configuración para optimizar el rendimiento de los nuevos modelos en sus respectivos roles.

Notas adicionales

• Se mantiene la configuración de modelos de respaldo para garantizar la robustez del sistema en caso de fallos o indisponibilidad de los modelos principales.
• Se recomienda realizar pruebas exhaustivas en diversos escenarios para validar la eficacia de estos cambios en diferentes tipos de consultas y cargas de trabajo.

[1.8.0] - 2024-09-16

Cambiado

• Refactorización completa de la función get_prioritized_agents para mejorar la selección de agentes basada en especialidades y tipos de prompt.
• Actualización de la lógica de selección de agentes para priorizar modelos especializados según el tipo de prompt.
• Modificación de la función get_general_agents para tener en cuenta las capacidades y tipos de prompts de los modelos generales.

Mejorado

• Implementación de una función auxiliar find_specialized_models para buscar eficientemente modelos con especialidades específicas en la configuración.
• Optimización del uso de la información contenida en config.yaml para una selección de agentes más precisa y adaptable.
• Mayor flexibilidad en la selección de agentes, considerando tanto agentes especializados como modelos con capacidades específicas.

Corregido

• Resolución del problema de duplicación de agentes especializados en la lista de agentes seleccionados.
• Corrección de errores relacionados con el manejo de tipos de datos en la selección de agentes.

Optimizado

• Mejora en la eficiencia de la selección de agentes, reduciendo la redundancia y priorizando modelos relevantes.
• Refinamiento del proceso de selección para asegurar una distribución equilibrada entre agentes especializados y generales.

Documentación

• Actualización de los comentarios en el código para reflejar los cambios en la lógica de selección de agentes.
• Adición de explicaciones detalladas sobre el nuevo proceso de priorización de agentes en la documentación interna.

Seguridad

• Mejora en el manejo de excepciones para prevenir exposición de información sensible durante el proceso de selección de agentes.

Experimental

• Introducción de un sistema de puntuación para evaluar la relevancia de los agentes seleccionados basado en el histórico de rendimiento (pendiente de implementación completa).

[1.7.0] - 2024-09-15

Añadido

• Implementación de un sistema de selección de prompts críticos basado en el tipo de consulta.
• Nuevos tipos de prompt crítico: audio_transcription, multimodal, tool_use, content_moderation, creative, y analytical.
• Función determine_prompt_type_and_capabilities para identificar el tipo de prompt y las capacidades requeridas.
• Integración de capacidades específicas para cada modelo en la configuración.
• Sistema de fallback para la selección de agentes y prompts.

Cambiado

• Refactorización de la función evaluate_query_complexity para incluir la determinación del tipo de prompt.
• Actualización de la estructura de configuración en config.yaml para soportar nuevos campos de especialidad y capacidades por modelo.
• Mejora en la lógica de selección de agentes en get_prioritized_agents para considerar especialidades y capacidades.
• Optimización de la función process_user_input para manejar múltiples agentes y realizar meta-análisis cuando es necesario.

Mejorado

• Mayor robustez en el manejo de errores y situaciones inesperadas en la carga de configuración.
• Implementación de un sistema de caché más eficiente para respuestas frecuentes.
• Mejora en la evaluación de la complejidad de las consultas, incluyendo factores lingüísticos y contextuales.

Corregido

• Solucionado el problema de "too many values to unpack" en la función evaluate_query_complexity.
• Corregido el error "'str' object cannot be interpreted as an integer" en la función determine_prompt_type.
• Ajustes en la carga de configuración para manejar correctamente la estructura anidada de prompt_types.

Optimizado

• Rendimiento mejorado en la selección de agentes y procesamiento de consultas.
• Reducción del uso de recursos en consultas repetitivas mediante un sistema de caché mejorado.

Documentación

• Actualización de la documentación interna para reflejar los nuevos cambios y funcionalidades.
• Mejora en los comentarios del código para mayor claridad y mantenibilidad.

Experimental

• Introducción de características experimentales para la reflexión iterativa y mejora continua de respuestas.

[1.6.0] - 2024-09-12

Añadido

• Implementación de un sistema de detección de tipo de consulta (determine_prompt_type) para categorizar las preguntas en diferentes áreas (matemáticas, programación, legal, científico, etc.).
• Nuevo parámetro prompt_type en la función get_prioritized_agents para mejorar la selección de agentes especializados.
• Integración de análisis crítico con probabilidad configurable (critical_analysis_probability) en el procesamiento de consultas.
• Aplicación de prompts especializados basados en el tipo de consulta detectado.

Cambiado

• Refactorización de evaluate_query_complexity para incluir la determinación del tipo de prompt.
• Actualización de get_prioritized_agents en la clase AgentManager para priorizar la selección de agentes basada en el tipo de consulta y su complejidad.
• Modificación de process_user_input para manejar el nuevo flujo de procesamiento con tipos de prompts y análisis crítico.
• Optimización del proceso de meta-análisis para ejecutarse solo cuando hay múltiples respuestas exitosas.
• Actualización de la lógica para aplicar prompts especializados a todos los agentes, eliminando la selección aleatoria.

Mejorado

• Manejo más eficiente de la complejidad de las consultas, ajustando dinámicamente el número de agentes utilizados.
• Mejor integración de asistentes especializados en el flujo de procesamiento.
• Refinamiento del sistema de evaluación inicial y final para proporcionar un análisis más preciso de las consultas y respuestas.
• Consistencia mejorada en la aplicación de prompts especializados a través de todos los agentes.

Optimizado

• Reducción del uso innecesario de recursos para consultas simples.
• Mejora en la eficiencia del procesamiento al limitar el número de agentes basado en la complejidad de la consulta.
• Eliminación de la selección aleatoria de agentes para la aplicación de prompts especializados.

Corregido

• Solución al problema de activación excesiva de agentes para consultas simples.
• Corrección en la aplicación de búsqueda web y MOA (Mixture of Agents) basada en una evaluación más precisa de la necesidad.
• Resolución del problema de selección de agentes duplicados, especialmente para agentes especializados.

Documentación

• Actualización de la documentación interna para reflejar los nuevos cambios en el flujo de procesamiento y la selección de agentes.
• Clarificación sobre el uso consistente de prompts especializados en todos los agentes.

Seguridad

• Mejora en el manejo de errores para prevenir la exposición de información sensible en caso de fallos en el procesamiento.

[1.5.0] - 2024-09-12

Añadido

• Implementación de prompts de análisis crítico especializados para diferentes tipos de consultas (matemáticas, programación, legal, científico, histórico, filosófico, ético, contexto colombiano, cultural, político, económico).
• Nueva función determine_prompt_type para identificar el tipo de consulta y seleccionar el prompt adecuado.
• Integración de un modelo de lenguaje en español (es_core_news_sm) para mejorar el procesamiento de consultas en español.

Cambiado

• Actualizada la función evaluate_query_complexity para incluir la determinación del tipo de prompt.
• Modificada la clase AgentManager para manejar los nuevos prompts especializados y su probabilidad de uso.
• Actualizado el método process_query en AgentManager para aplicar los prompts especializados cuando sea apropiado.
• Mejorada la función process_user_input para utilizar el nuevo sistema de prompts especializados.

Optimizado

• Refactorizado el código para una mejor modularidad y mantenibilidad.
• Mejorado el manejo de errores y logging en varias funciones clave.

Corregido

• Solucionado el problema con el atributo faltante critical_analysis_probability en la clase AgentManager.
• Corregidos varios errores relacionados con la inicialización y uso de clientes de API.

Actualizado

• Actualizado el archivo requirements.txt para incluir el modelo de spaCy en español.
• Modificada la función de carga del modelo de spaCy para usar el modelo en español y manejar su instalación automática si es necesario.

Documentación

• Actualizada la documentación interna del código para reflejar los nuevos cambios y funcionalidades.

[1.4.1] - 2024-09-10

Cambiado

• Implementado un nuevo sistema de gestión de secretos para mejorar la compatibilidad con Render. Este cambio permite la carga de secretos desde archivos locales y variables de entorno, proporcionando una solución más flexible y segura para el manejo de claves API y otros datos sensibles en la aplicación MALLO.
• Reemplazado el uso de st.secrets por un sistema personalizado de secretos en toda la aplicación. En donde en agents.py y utilities.py, se reemplazan todas las instancias de st.secrets por secrets y donde se use st.secrets.get(), reemplázalo por get_secret(). Ejemplos:

# Antes
api_key = st.secrets["OPENAI_API_KEY"]

# Después
api_key = secrets["OPENAI_API_KEY"]

y

# Antes
api_key = st.secrets.get("OPENAI_API_KEY")

# Después
api_key = get_secret("OPENAI_API_KEY")

Corregido

• Solucionado el problema de carga de secretos en el entorno de Render.
• Corregido el error "No secrets files found" durante el despliegue en Render.

Optimizado

• Mejorada la carga de secretos para manejar múltiples fuentes (archivos, variables de entorno) de manera más robusta.

[1.4.0] - 2024-09-10

Añadido

• Nueva clase MALLOEnhancer para mejorar la calidad de las instrucciones y respuestas mediante reflexión iterativa.
• Función experimental process_user_input_experimental que implementa el enfoque de reflexión y mejora.
• Integración de múltiples APIs de LLM (OpenAI, Anthropic, Mistral, Cohere, Groq, DeepInfra, DeepSeek, OpenRouter) en MALLOEnhancer.

Cambiado

• Mejorada la obtención de claves API utilizando los secretos de Streamlit.
• Actualizada la clase AgentManager para incluir el método update_criteria.

Optimizado

• Implementación de cálculos de IFD (Instruction-Following Difficulty) y r-IFD (reversed-IFD) para evaluar la calidad de las instrucciones y respuestas.

Corregido

• Solucionados varios errores relacionados con la inicialización de clientes de API y manejo de respuestas.

Experimental

• Añadida la capacidad de habilitar el procesamiento experimental de entradas de usuario para investigación futura.

[1.3.0] - 2024-09-08

Cambiado

• Mejorado el proceso de selección de agentes con la implementación de get_prioritized_agents en AgentManager.
• Refinado el método process_query en AgentManager para un mejor manejo de errores y fallbacks.
• Actualizada la lógica de process_user_input en main.py para utilizar el nuevo sistema de priorización de agentes.

Optimizado

• Mejorada la generación de respuestas finales para ser más conversacionales y directas.
• Refinado el proceso de meta-análisis para producir respuestas más coherentes y relevantes.

Corregido

• Solucionado el problema con el atributo faltante default_local_model en AgentManager.
• Implementado el método faltante get_available_models en AgentManager.

Añadido

• Nueva funcionalidad para manejar fallbacks de manera más robusta en caso de fallo de agentes primarios.
• Implementada una lógica mejorada para la selección de agentes basada en la complejidad de la consulta y la disponibilidad de modelos.

Mejorado

• Optimizada la gestión de errores en todo el sistema para una mejor experiencia de usuario y depuración.
• Mejorada la documentación interna del código para facilitar futuro mantenimiento y desarrollo.

[1.2.0] - 2024-09-07

Añadido

• Sistema de puntuación para evaluar la calidad de las respuestas de los agentes.
• Función de síntesis para combinar las mejores partes de múltiples respuestas.
• Nuevo agente de meta-análisis para generar una respuesta final mejorada.
• Configuración en config.yaml para modelos de meta-análisis, incluyendo opciones de respaldo.

Cambiado

• Modificada la función process_user_input para incorporar puntuación, síntesis y meta-análisis.
• Actualizado el método meta_analysis en AgentManager para usar modelos configurables con sistema de respaldo.
• Mejorado el manejo de errores en el proceso de meta-análisis.

Mejorado

• Refinado el proceso de selección de respuesta final para reflejar un pensamiento más sofisticado.
• Aumentada la robustez del sistema ante fallos de modelos individuales.

Optimizado

• Implementado un sistema de reintentos para el meta-análisis utilizando hasta tres modelos diferentes.

[1.1.0] - 2024-09-07

Añadido

• Integración de la API de OpenRouter con múltiples modelos.
• Sistema de recuperación de tres niveles para la evaluación de respuestas.
• Nuevo método process_with_openrouter en la clase AgentManager.

Cambiado

• Actualizada la función summarize_conversation para usar OpenRouter como opción principal y OpenAI como respaldo.
• Modificada la función evaluate_response para incluir un segundo nivel de respaldo.
• Actualizado el archivo de configuración config.yaml para incluir configuraciones de OpenRouter.

Optimizado

• Simplificada la gestión de tokens máximos para modelos de OpenRouter, aprovechando los límites predeterminados de la API.

1.0.0 - 2024-08-22

Añadido

• README.md completo con información detallada del proyecto
• Este archivo CHANGELOG.md para rastrear el historial del proyecto

0.9.0 - 2024-08-21

Añadido

• Implementado sistema de caché para las respuestas de consultas
• Agregado seguimiento de métricas de rendimiento para cada agente

Cambiado

• Optimizado el algoritmo de selección de agentes para tiempos de respuesta más rápidos
• Actualizada la interfaz de usuario para una mejor visualización de respuestas

Corregido

• Resueltos problemas con la funcionalidad de búsqueda web
• Corregida la fuga de memoria en sesiones de Streamlit de larga duración

0.8.0 - 2024-08-20

Añadido

• Integradas las APIs de Anthropic, DeepSeek, Mistral y Cohere
• Implementado sistema avanzado de manejo de errores y registro

Cambiado

• Refactorizado AgentManager para mejorar la modularidad
• Mejorado el algoritmo de evaluación de complejidad de consultas

0.7.0 - 2024-08-19

Añadido

• Implementado enfoque de Mezcla de Agentes (MOA) para consultas complejas
• Agregado soporte para asistentes especializados en varios dominios
• Integradas las APIs de Together AI y Groq

Cambiado

• Actualizada la estructura de config.yaml para una gestión más fácil de múltiples APIs
• Mejoradas las capacidades de búsqueda web con integración de DuckDuckGo

0.6.0 - 2024-08-18

Añadido

• Implementación inicial de la clase AgentManager
• Integración básica con modelos de OpenAI y Ollama locales
• Interfaz de usuario basada en Streamlit para entrada de consultas y visualización de respuestas
• Sistema de configuración usando YAML para fácil personalización
• Lógica básica de procesamiento de consultas y selección de agentes

Cambiado

• Estructurado el proyecto con main.py, agents.py y utilities.py

0.5.0 - 2024-08-18

Añadido

• Inicialización del proyecto
• Estructura básica del proyecto y gestión de dependencias
• Documentación inicial y configuración del proyecto