ISAA Module API - Tools Klasse

Referenz: toolboxv2.mods.isaa.module.Tools

Die Tools Klasse ist der Haupteinstiegspunkt für das ISAA Modul.

---

Initialisierung

from toolboxv2 import get_app

app = get_app()
isaa = app.get_mod(\"isaa\")

Parameter: - Keine direkten Parameter - Liest Konfiguration aus file_handler - Setzt Environment-Variablen für Modelle

---

Agent Management

get_agent(name: str) -> FlowAgent

Ruft einen Agenten ab oder erstellt ihn bei Bedarf.

agent = await isaa.get_agent(\"my_agent\")

Parameter	Typ	Beschreibung
name	str	Name des Agenten

Returns: FlowAgent Instanz

---

register_agent(builder: FlowAgentBuilder) -> FlowAgent

Registriert einen neuen Agenten aus einem Builder.

builder = isaa.get_agent_builder(name=\"specialist\")
builder.add_tool(my_tool, name=\"custom_tool\")
agent = await isaa.register_agent(builder)

Parameter	Typ	Beschreibung
builder	FlowAgentBuilder	Konfigurierter Builder

Returns: FlowAgent Instanz

---

delete_agent(name: str)

Löscht einen Agenten.

await isaa.delete_agent(\"old_agent\")

---

get_all_agents() -> list[str]

Liste aller registrierten Agenten.

agents = await isaa.get_all_agents()
print(agents)  # [\"agent1\", \"agent2\", ...]

---

get_agent_builder(name: str, **kwargs) -> FlowAgentBuilder

Erstellt einen neuen Builder für einen Agenten.

builder = isaa.get_agent_builder(
    name=\"my_agent\",
    add_base_tools=True,
    with_dangerous_shell=False
)

Parameter	Typ	Default	Beschreibung
name	str	-	Agent Name
add_base_tools	bool	True	Basis-Tools hinzufügen
with_dangerous_shell	bool	False	Shell-Tool erlauben

---

Chain Management

create_chain(*agents_or_components) -> Chain

Erstellt eine Chain aus Agenten und/oder Komponenten.

# Einfache Chain
chain = isaa.create_chain(agent1, agent2, agent3)

# Mit Format-Klasse
chain = isaa.create_chain(agent1, CF(OutputModel), agent2)

# Mit Bedingung
chain = isaa.create_chain(
    agent1,
    IS(\"status\", \"success\"),  # Wenn status == \"success\"
    agent2
)

# Mit Funktion
chain = isaa.create_chain(agent1, lambda x: x.upper(), agent2)

Unterstützte Komponenten: - FlowAgent - Agent - CF(FormatClass) - Output Formatierung - IS(key, value) - Bedingung - Function(func) - Python Funktion - Chain - Verschachtelte Chain

---

run_chain(chain: Chain, query: str, session_id: str = \"default\", **kwargs) -> Any

Führt eine Chain aus.

result = await isaa.run_chain(
    chain,
    \"Analysiere diese Daten\",
    session_id=\"analysis_001\"
)

Parameter	Typ	Beschreibung
chain	Chain	Auszuführende Chain
query	str	Eingabe-Query
session_id	str	Session ID (default: \"default\")

---

chain_from_agents(*agent_names: str) -> Chain

Erstellt eine Chain aus Agent-Namen (lazy resolution).

chain = isaa.chain_from_agents(\"researcher\", \"summarizer\", \"formatter\")
# Agenten werden erst bei Ausführung aufgelöst

---

Export / Import

save_agent(name: str, path: str)

Speichert einen Agenten als .tar.gz Archiv.

await isaa.save_agent(\"my_agent\", \"./backup/my_agent.tar.gz\")

Inhalt des Archives: - manifest.json - Metadaten - config.json - Agent-Konfiguration - tools/ - Serialisierte Tools (via dill/cloudpickle) - memory/ - Agent Memory (optional)

---

load_agent(name: str, path: str) -> FlowAgent

Lädt einen Agenten aus einem Archiv.

agent = await isaa.load_agent(\"my_agent\", \"./backup/my_agent.tar.gz\")

Hinweis: Bei Deserialisierungsfehlern werden Hinweise zur manuellen Wiederherstellung gegeben.

---

export_agent_network(path: str)

Exportiert alle Agenten als Netzwerk.

await isaa.export_agent_network(\"./network_export.tar.gz\")

---

import_agent_network(path: str)

Importiert ein Agenten-Netzwerk.

await isaa.import_agent_network(\"./network_export.tar.gz\")

---

Memory System

get_memory(space_name: str) -> AISemanticMemory

Ruft den Memory-Space eines Agenten ab.

memory = await isaa.get_memory(\"my_agent\")

# Daten hinzufügen
await memory.add_data(
    text=\"Wichtige Information\",
    concepts=[\"info\", \" wichtig\"],
    metadata={\"source\": \"user\"}
)

# Suchen
results = await memory.query(\"Wichtige?\")

---

Jobs

job_add(name: str, query: str, trigger: TriggerConfig, agent_name: str)

Erstellt einen geplanten Job.

from toolboxv2.mods.isaa.extras.jobs import TriggerConfig

trigger = TriggerConfig(
    type=\"cron\",
    cron=\"0 9 * * *\"  # Täglich um 9 Uhr
)

await isaa.job_add(
    name=\"morning_report\",
    query=\"Erstelle Bericht\",
    trigger=trigger,
    agent_name=\"reporter\"
)

---

job_list() -> list[dict]

Liste aller Jobs mit Status.

jobs = await isaa.job_list()
for job in jobs:
    print(f\"{job['name']}: {job['status']}\")

---

job_remove(name: str)

Löscht einen Job.

await isaa.job_remove(\"morning_report\")

---

job_pause(name: str) / job_resume(name: str)

Pausiert/Setzt einen Job fort.

await isaa.job_pause(\"morning_report\")
# ...
await isaa.job_resume(\"morning_report\")

---

Web Search

web_search(query: str, **dork_kwargs) -> str

Web-Suche mit Google Dorks Support.

# Einfache Suche
results = await isaa.web_search(\"Python async\")

# Mit Dorks
results = await isaa.web_search(
    \"filetype:pdf machine learning\",
    site=\"arxiv.org\"
)

Dork Parameter: - site - Auf bestimmte Domain beschränken - filetype - Dateityp filtern (pdf, doc, etc.) - inurl - URL enthält String - intitle - Titel enthält String - exclude - Ausschluss

---

Konfiguration

config Property

# Aktuelle Konfiguration
print(isaa.config)

# Modelle
isaa.config[\"FASTMODEL\"] = \"openrouter/anthropic/claude-3-haiku\"

Standard-Felder: | Key | Default | Beschreibung | |-----|---------|-------------| | FASTMODEL | ollama/llama3.1 | Schnelles Modell | | AUDIOMODEL | groq/whisper-large-v3-turbo | Audio Modell | | BLITZMODEL | ollama/llama3.1 | Blitz Modell | | COMPLEXMODEL | ollama/llama3.1 | Komplexes Modell | | SUMMARYMODEL | ollama/llama3.1 | Zusammenfassungsmodell | | IMAGEMODEL | ollama/llama3.1 | Bildmodell | | DEFAULTMODELEMBEDDING | gemini/text-embedding-004 | Embedding Modell |