README.md

# Gradio-hackathon : Generalist self-evolving ai agent inspired by Alita 
This is my team project for the gradio hackathon 2025
This Project is inspired by research paper : `https://arxiv.org/abs/2505.20286`

# 📁 Structure du projet
```bash

alita_agent/

│

├── main.py                           # Point d'entrée principal : exécute un TaskPrompt via le ManagerAgent

├── manager_agent.py                  # Logique de coordination centrale, il orchestre tous les composants

├── task_prompt.py                    # Définit la classe TaskPrompt, contenant la requête utilisateur initiale

│

├── components/                       # Contient tous les composants fonctionnels modulaires

│   ├── __init__.py                   # Rends le dossier importable comme un package

│   ├── script_generator.py           # Génère dynamiquement du code Python à partir d'un MCPToolSpec

│   ├── code_runner.py                # Exécute un script dans un environnement isolé et capture le résultat

│   ├── mcp_registry.py               # Gère l'enregistrement, la recherche et la réutilisation des outils MCP

│   ├── web_agent.py                  # Effectue des recherches web ou GitHub pour aider à la génération de code

│   └── mcp_brainstormer.py           # Génère des MCPToolSpec en analysant la tâche utilisateur

│

├── models/                           # Contient les classes de données (dataclasses) utilisées dans tout le système

│   ├── __init__.py                   # Rends le dossier importable comme un package

│   ├── mcp_tool_spec.py              # Définition de MCPToolSpec (dataclass) : nom, schémas I/O, description, pseudo-code, etc.

│   └── mcp_execution_result.py       # Définition de MCPExecutionResult (dataclass) : succès, sortie, logs, erreur

│

├── tests/                            # Contient les tests unitaires pour chaque module

│   ├── __init__.py                   # Rends le dossier importable comme un package

│   ├── test_script_generator.py      # Tests pour vérifier la génération correcte de code et d'environnements

│   ├── test_code_runner.py           # Tests pour s'assurer de la bonne exécution des scripts et gestion d'erreurs

│   ├── test_mcp_registry.py          # Tests de l'enregistrement, recherche et appel d'outils dans le registre MCP

│   └── test_manager_agent.py         # Tests d'intégration sur le comportement global du ManagerAgent

│

└── README.md                         # Documentation du projet, instructions, pipeline, inspirations et lien vers le papier

```

# Project Pipeline 

#### 🔄 Le flux complet avec vérification de l'existence
1. L'utilisateur envoie un TaskPrompt
2. Le Manager Agent demande au MCPBrainstormer : "Quels outils faudrait-il pour résoudre cette tâche ?"
3. Le Brainstormer propose une ou plusieurs specs (MCPToolSpec)
4. Le Manager Agent consulte le MCPRegistry : "Ai-je déjà un outil enregistré dont le nom + I/O matchent cette spec ?"
   - Oui ? ➜ réutilise l'outil existant
   - Non ? ➜ il appel le web agent pour une recherche d'outils open-source pour implementer. Puis, le Manager prend la recherche et la donne a Brainstormer pour commencer la construction.

#### 🔍 Comment détecter que l'outil existe déjà ?
Par matching sur la spec MCPToolSpec :
- Nom exact (ou identifiant unique comme un hash)

- Ou plus intelligemment :
    - même structure input_schema

    - même output_schema
    - mêmes rôles ou description proche (avec embedding / vector search)

```python

def check_existing_tool(spec: MCPToolSpec, registry: MCPRegistry) -> Optional[str]:

    for registered_spec in registry.list_tools():

        if registered_spec.input_schema == spec.input_schema and \

           registered_spec.output_schema == spec.output_schema:

            return registry.get_tool_endpoint(registered_spec.name)

    return None

```

#### 💬 Que fait l'agent s'il le trouve ?
Il ne régénère rien :
- Il ajoute l'appel de l'outil MCP existant dans son plan
- Il formate l'entrée JSON
- Il appelle POST /predict directement
- Il utilise la réponse dans la suite de son raisonnement

#### 💡 Cas pratiques
Differents cas et Réaction attendue de l'agent 

| Situation réelle                          | Réaction de l'agent                                                      |
| ----------------------------------------- | ------------------------------------------------------------------------ |
| L'outil `"SubtitleExtractor"` existe déjà | L'agent appelle directement l'endpoint                                   |
| Le spec est proche mais pas identique     | L'agent peut quand même le réutiliser (avec adaptation)                  |
| L'outil existe mais a échoué              | L'agent peut **fallback** vers génération d'un nouvel outil MCP          |
| L'outil existe mais est obsolète          | Le Registry peut signaler une mise à jour ou déclencher une régénération |


#### Fonctions attendues 

| Classe               | Méthode attendue                           | Présente ? | Commentaire |
| -------------------- | ------------------------------------------ | ---------- | ----------- |
| `ManagerAgent`       | `run_task(prompt)`                         | ✅          | OK          |
| `MCPBrainstormer`    | `brainstorm(prompt)`                       | ✅          | OK          |
| `WebAgent`           | `search_github`, `retrieve_readme`         | ✅          | OK          |
| `ScriptGenerator`    | `generate_code`, `generate_env_script`     | ✅          | OK          |
| `CodeRunner`         | `execute`, `setup_environment`             | ✅          | OK          |
| `MCPRegistry`        | `register_tool`, `list_tools`, `call_tool` | ✅          | OK          |
| `MCPExecutionResult` | attributs `success`, `output`, `logs`      | ✅          | OK          |
| `MCPToolSpec`        | `name`, `input_schema`, etc.               | ✅          | OK          |

Ici Le ManagerAgent coordonne tout. Il délègue à :
- MCPBrainstormer → pour générer des specs d'outils.
- ScriptGenerator → pour générer du code.
- CodeRunner → pour tester le code.
- WebAgent → pour récupérer du contexte externe.
- MCPRegistry → pour enregistrer et réutiliser les outils.


![](alitaDiagram.svg)


```sh

plantuml -tsvg README.md

```

<div hidden>
<details>
<summary>Voir le script PlantUML</summary>
```plantuml

@startuml alitaDiagram



skinparam classAttributeIconSize 0



' === Classes de données ===

class TaskPrompt {

    - text: str

}



class MCPToolSpec {

    - name: str

    - input_schema: dict

    - output_schema: dict

    - description: str

    - pseudo_code: str

    - source_hint: str

}



class MCPExecutionResult {

    - success: bool

    - output: dict

    - logs: str

    - error_message: str

}



class ToolCall {

  - tool_name: str

  - input_data: dict

  - result: dict

}





' === Agents principaux ===

class ManagerAgent {

    - brainstormer: MCPBrainstormer

    - web_agent: WebAgent

    - generator: ScriptGenerator

    - runner: CodeRunner

    - registry: MCPRegistry

    + run_task(prompt: TaskPrompt): dict

    + check_existing_tool(spec: MCPToolSpec) -> Optional[str]

}



class MCPBrainstormer {

    + brainstorm(prompt: TaskPrompt): List<MCPToolSpec>

}



class WebAgent {

    + search_github(query: str): str

    + retrieve_readme(repo_url: str): str

}



class ScriptGenerator {

    + generate_code(spec: MCPToolSpec): str

    + generate_env_script(spec: MCPToolSpec): str

}



class CodeRunner {

    + execute(script: str): MCPExecutionResult

    + setup_environment(env_script: str): bool

}



class MCPRegistry {

    + register_tool(spec: MCPToolSpec, endpoint_url: str): void

    + list_tools(): List<MCPToolSpec>

    + call_tool(tool: str): object

}







' === Relations avec types + cardinalités ===



' Le Manager reçoit une tâche utilisateur

TaskPrompt --> "1" ManagerAgent : provides query



' Manager appelle le Brainstormer

ManagerAgent --> "1" MCPBrainstormer : calls



' Manager utilise WebAgent

ManagerAgent "1" <--> "1" WebAgent : queries/answers



' Brainstormer appelle ScriptGenerator et CodeRunner

MCPBrainstormer --> "1" ScriptGenerator : plans

MCPBrainstormer --> "1" CodeRunner : validates



' Manager consulte ou enregistre dans le Registry

ManagerAgent --> "1" MCPRegistry : checks/updates



' Manager construit un plan d'appel d'outils

ManagerAgent --> "0..*" ToolCall : creates



' Brainstormer retourne des MCPToolSpec

MCPBrainstormer --> "1..*" MCPToolSpec : returns



' ScriptGenerator utilise MCPToolSpec pour générer

ScriptGenerator --> "1" MCPToolSpec : consumes



' Registry enregistre des ToolSpecs

MCPRegistry --> "0..*" MCPToolSpec : stores



' CodeRunner renvoie un résultat d'exécution

CodeRunner --> "1" MCPExecutionResult : returns



' CodeRunner peut utiliser des outils enregistrés

CodeRunner --> "0..*" MCPRegistry : queries





@enduml

```
</details> 
</div>

# ALITA Research Functionality

This README explains how to use the comprehensive research capabilities of the ALITA ManagerAgent.

## Overview

ALITA can now perform deep, autonomous web research using the WebAgent's research functionality. This allows ALITA to gather information from multiple sources, analyze it, and synthesize a comprehensive report on any topic.

## Usage Methods

There are two ways to use the research functionality:

### 1. Direct Research Method

Call the `research` method directly on the ManagerAgent instance:

```python

from manager_agent2 import ManagerAgent

from llama_index.llms.anthropic import Anthropic



# Initialize the LLM and ManagerAgent

llm = Anthropic(model="claude-3-5-sonnet-20241022", api_key="your-api-key")

manager = ManagerAgent(llm=llm)



# Perform research directly

report = manager.research(

    query="What are the latest developments in quantum computing?",

    max_iterations=50,  # Optional: limit the number of research steps

    verbose=True        # Optional: show detailed progress

)



# The report variable now contains a comprehensive research report

print(report)

```

### 2. Tool-Based Research through ReActAgent

Let the ManagerAgent's internal ReActAgent decide when to use research:

```python

from manager_agent2 import ManagerAgent

from models import TaskPrompt

from llama_index.llms.anthropic import Anthropic



# Initialize the LLM and ManagerAgent

llm = Anthropic(model="claude-3-5-sonnet-20241022", api_key="your-api-key")

manager = ManagerAgent(llm=llm)



# Create a task prompt

task_prompt = TaskPrompt(text="I need a comprehensive report on recent developments in quantum computing.")



# Run the task through the agent

response = manager.run_task(task_prompt)



# The response will include the research report if the agent determined research was needed

print(response)

```

The agent will automatically detect when deep research is required based on keywords like "comprehensive," "thorough," "research," etc.

## Running the Test Script

A test script is provided to demonstrate both usage methods:

```bash

python test_research.py

```

Make sure to set your Anthropic API key in the environment or in a `.env` file before running the script.

## System Prompt Configuration

The ManagerAgent's system prompt has been updated to include guidance on when to use the research tool:

- For simple information needs: use 'web_search' for quick answers

- For complex research topics: use 'perform_web_research' for comprehensive autonomous research



## How Research Works



When ALITA performs research:



1. It first analyzes the research query to understand what information is needed

2. It uses web search to gather relevant sources

3. It visits and reads the content of each source

4. It downloads and analyzes relevant documents if needed

5. It evaluates the credibility and relevance of each source

6. It synthesizes the information into a comprehensive report

7. It includes citations and references to the sources used



This enables ALITA to provide high-quality, well-researched answers to complex questions.