YaniG - Yet Another Natural Intelligence Gedöns

"Gedöns" ist ein liebevolles deutsches Wort für eine Sammlung von Dingen zwischen Schnickschnack und organisiertem Chaos.

Ein modulares Python-Framework für KI-Anwendungen mit Fokus auf komponentenbasierte Architektur, Agenten-basierte Systeme und nahtlose Integration verschiedener AI-Services.

🚀 Features

🏗️ Modulare Architektur

• Components: Wiederverwendbare KI-Komponenten (Chat, Embedding, Web Search, PDF Reader, etc.)
• Agents: Intelligente Agenten für komplexe Aufgaben (Content Creator, Dialectical Reasoning)
• APIs: Datenbankmanagement und Datenverarbeitung
• Functions: Abstrakte Basis-Klassen für verschiedene AI-Provider

🤖 AI-Provider Integration

• OpenAI: Chat, Embeddings, Reranking
• Ollama: Lokale LLM-Integration
• Hugging Face: Transformers und Modelle
• ElevenLabs: Text-to-Speech

🎮 MCP (Model Context Protocol) Server

• Journey MCP Server: Direktintegration mit Claude Desktop
• Character Management: RPG-ähnliche Charakterverwaltung
• Quest System: Multiple-Choice Fragen und Quiz-System
• Real-time Interaction: Asynchrone Tool-Integration

📊 Datenverarbeitung

• Vector Database: Chromadb für semantische Suche
• SQLite Integration: Strukturierte Datenspeicherung
• PDF Processing: Automatische Dokumentenverarbeitung
• Web Search: Wikipedia und andere Quellen

📁 Projektstruktur

yanig/
├── agents/               # KI-Agenten
│   ├── baseagent.py     # Basis-Agent Klasse
│   ├── contentcreatoragent.py
│   └── dialecticalreasoningagent.py
├── api/                 # Datenbank und API Layer
│   ├── journeydbmanager.py
│   ├── journeydbschema.py
│   ├── vectordb.py
│   └── pdfreader.py
├── applications/        # Hauptanwendungen
│   ├── journey-mcp-server.py  # MCP Server für Claude Desktop
│   └── examples.py
├── components/          # Wiederverwendbare KI-Komponenten
│   ├── chatcomponent.py
│   ├── embeddingcomponent.py
│   ├── websearchcomponent.py
│   └── pdfreadercomponent.py
├── core/               # Kern-Framework
│   ├── componentchain.py
│   ├── componentresultobject.py
│   └── settings.py
├── functions/          # AI-Provider Implementierungen
│   ├── openaichat.py
│   ├── ollamachat.py
│   └── huggingfacechat.py
└── data/              # Datenverzeichnisse
    ├── db/           # Datenbanken
    ├── pdf/          # PDF-Dokumente
    └── json/         # JSON-Daten

🛠️ Installation

Voraussetzungen

• Python 3.12.x
• Virtual Environment (empfohlen)

Setup

# Repository klonen
git clone <repository-url>
cd yanig

# Virtual Environment erstellen
python -m venv venv
source venv/bin/activate  # Linux/Mac
# oder
venv\Scripts\activate     # Windows

# Dependencies installieren
pip install -r requirements.txt

Umgebungsvariablen

Erstellen Sie eine .env-Datei im Hauptverzeichnis:

OPENAI_API_KEY=your_openai_api_key
HUGGINGFACE_API_KEY=your_hf_api_key
ELEVENLABS_API_KEY=your_elevenlabs_key

🎮 MCP Server für Claude Desktop

Konfiguration

Fügen Sie zu Ihrer claude-desktop-config.json hinzu:

{
  "mcpServers": {
    "journey-mcp-server": {
      "command": "python",
      "args": [
        "c:\\path\\to\\yanig\\applications\\journey-mcp-server.py"
      ],
      "cwd": "c:\\path\\to\\yanig"
    }
  }
}

Verfügbare Tools

• create_character: Erstelle RPG-Charaktere
• get_character: Charaktere abrufen
• modify_character: Charaktere modifizieren
• create_quest: Multiple-Choice Fragen erstellen
• get_random_quest: Zufällige Quiz-Fragen abrufen

💡 Verwendungsbeispiele

Basic Chat Component

from components import ChatComponent
from functions import OpenAIChat

chat = ChatComponent()
chat.set_chat_function(OpenAIChat())

response = chat.invoke("Erkläre mir Quantenphysik")

Agent-basierte Contenterstellung

from agents import ContentCreatorAgent

agent = ContentCreatorAgent()
result = agent.invoke("Erstelle Fragen zum Thema Schwarze Löcher")

Datenbank-Integration

from api import JourneyDBManager

db = JourneyDBManager()
character = db.create_character({
    "name": "Gandalf",
    "desc": "Ein weiser Zauberer"
})

🏗️ Architektur-Prinzipien

Component Pattern

Alle KI-Funktionalitäten sind als wiederverwendbare Komponenten implementiert:

• Eingabe: ComponentResultObject
• Verarbeitung: Spezifische Logik
• Ausgabe: List[ComponentResultObject]

Provider Abstraction

Verschiedene AI-Services werden durch einheitliche Interfaces abstrahiert:

• BaseChat, BaseEmbedding, BaseReranker
• Einfacher Wechsel zwischen OpenAI, Ollama, Hugging Face

Asynchrone Verarbeitung

• Event-driven Architecture
• Non-blocking I/O Operations
• Concurrent Task Processing

🧪 Testing

# Alle Tests ausführen
python -m pytest

# Spezifische Tests
python test_character_creation.py
python test_mcp_tools.py

📚 Dokumentation

Weitere Dokumentation finden Sie in:

• docs/YaniG Documentation.md - Detaillierte Architektur-Dokumentation
• docs/diagrams/ - UML-Diagramme und Architektur-Übersichten

🤝 Contributing

1. Fork des Repositories
2. Feature Branch erstellen (git checkout -b feature/amazing-feature)
3. Änderungen committen (git commit -m 'Add amazing feature')
4. Branch pushen (git push origin feature/amazing-feature)
5. Pull Request erstellen

📄 Lizenz

Siehe LICENSE Datei für Details.

🎯 Roadmap

• Erweiterte Agent-Funktionalitäten
• Weitere AI-Provider Integration
• Web-Interface
• Docker-Containerisierung
• Mehr MCP-Tools

---

"Intelligence is not about having all the answers, but about building systems that can find them." 🧠✨