AI Agent per Admin Panel 🤖

Priorità: 🟡 Media
Effort Stimato: 2-3 settimane
Stato: Proposta

Problema

Attualmente per investigare problemi sui device (es. "perché questo device era offline?") è necessario:

1. Controllare manualmente i logs su Grafana
2. Query manuali su Redis e PostgreSQL
3. Verificare i vari microservizi coinvolti
4. Correlare manualmente le informazioni

Questo processo richiede conoscenza tecnica approfondita e molto tempo.

Soluzione Proposta

Integrare un AI Agent direttamente nell'admin panel che può:

• Rispondere a domande in linguaggio naturale
• Interrogare automaticamente database, API e logs
• Fornire analisi contestuali sui device
• Suggerire azioni correttive

Architettura

┌─────────────────────────────────────────────────────────────┐
│                     Admin Panel (React)                      │
│  ┌─────────────────────────────────────────────────────────┐│
│  │  Device Card                                            ││
│  │  ┌─────────────────┐  ┌───────────────────────────────┐ ││
│  │  │ Device Info     │  │ 🤖 AI Assistant               │ ││
│  │  │ ID: xxx-985     │  │                               │ ││
│  │  │ Status: Online  │  │ "Perché questo device era     │ ││
│  │  │ Last seen: ...  │  │  offline ieri alle 14:00?"    │ ││
│  │  └─────────────────┘  │                               │ ││
│  │                       │ → Risposta con analisi logs,  │ ││
│  │                       │   eventi, e dati Redis        │ ││
│  │                       └───────────────────────────────┘ ││
│  └─────────────────────────────────────────────────────────┘│
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│              AI Agent Microservice (Python)                  │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────────┐  │
│  │ LLM Client  │  │   Tools     │  │ Context Builder     │  │
│  │ (OpenAI/    │  │ - query_db  │  │ - Device context    │  │
│  │  Anthropic) │  │ - call_api  │  │ - User permissions  │  │
│  │             │  │ - get_logs  │  │ - History           │  │
│  └─────────────┘  └─────────────┘  └─────────────────────┘  │
└─────────────────────────────────────────────────────────────┘
                              │
            ┌─────────────────┼─────────────────┐
            ▼                 ▼                 ▼
      ┌──────────┐      ┌──────────┐      ┌──────────┐
      │ Devices  │      │ Positions│      │  Redis   │
      │   API    │      │   API    │      │ (Logs)   │
      └──────────┘      └──────────┘      └──────────┘

Componenti Tecnici

1. AI Agent Microservice

Nuovo microservice Python che segue la Clean Architecture esistente:

services/ai-agent/
├── src/
│   ├── application/
│   │   ├── use_cases/
│   │   │   ├── process_query.py      # Main use case
│   │   │   └── stream_response.py    # SSE streaming
│   │   └── ports/
│   │       ├── llm_port.py           # LLM abstraction
│   │       └── tool_port.py          # Tool abstraction
│   ├── domain/
│   │   ├── entities/
│   │   │   ├── conversation.py
│   │   │   └── tool_call.py
│   │   └── services/
│   │       └── context_builder.py
│   ├── infrastructure/
│   │   ├── adapters/
│   │   │   ├── openai_adapter.py
│   │   │   ├── anthropic_adapter.py
│   │   │   └── tools/
│   │   │       ├── database_tool.py
│   │   │       ├── api_tool.py
│   │   │       ├── redis_tool.py
│   │   │       └── loki_tool.py
│   │   └── api/
│   │       └── routes.py
│   └── main.py
├── tests/
├── Dockerfile
└── pyproject.toml

2. Tools Disponibili

Tool	Descrizione	Esempio Query
query_devices	Interroga il database devices	"Trova device con IMEI xxx"
query_positions	Ultime posizioni di un device	"Dove si trovava ieri?"
query_events	Eventi/allarmi di un device	"Quali allarmi ha generato?"
query_redis	Stato presence in Redis	"È online adesso?"
query_logs	Cerca nei logs Loki	"Errori nelle ultime 24h"
send_command	Invia comando al device	"Invia comando di localizzazione"

3. Frontend Component

// components/AIAssistant.tsx
interface AIAssistantProps {
  deviceId?: string;        // Contesto device opzionale
  userId?: string;          // Contesto utente opzionale
  initialContext?: string;  // Contesto iniziale
}

const AIAssistant: React.FC<AIAssistantProps> = ({ deviceId, userId }) => {
  const [messages, setMessages] = useState<Message[]>([]);
  const [isLoading, setIsLoading] = useState(false);

  const sendMessage = async (content: string) => {
    // SSE streaming per risposte real-time
    const response = await fetch('/api/ai-agent/chat', {
      method: 'POST',
      body: JSON.stringify({
        message: content,
        context: { deviceId, userId },
      }),
    });
    
    // Handle SSE stream...
  };

  return (
    <div className="ai-assistant">
      <ChatHistory messages={messages} />
      <ChatInput onSend={sendMessage} isLoading={isLoading} />
    </div>
  );
};

Tecnologie

Componente	Opzione Consigliata	Alternative
LLM Provider	OpenAI GPT-4	Anthropic Claude, Google Gemini
Framework	LangChain	LlamaIndex, custom implementation
Streaming	Server-Sent Events (SSE)	WebSocket
Caching	Redis	In-memory

Stima Costi

Costi Infrastruttura

• Nessun costo aggiuntivo GKE (pod piccolo, ~100m CPU, 256Mi RAM)

Costi API LLM (stima mensile)

Scenario	Query/mese	Costo Stimato
Uso leggero	500	~$10-15
Uso medio	2000	~$40-60
Uso intenso	5000	~$100-150

Basato su GPT-4 Turbo pricing (~$0.01/1K input, ~$0.03/1K output)

Considerazioni di Sicurezza

Accesso e Permessi

• ✅ Solo utenti admin possono usare l'agent
• ✅ Le query sono limitate ai device dell'account
• ✅ Audit log di tutte le interazioni
• ✅ Rate limiting per prevenire abusi

Dati Sensibili

• ⚠️ Non inviare dati sensibili al LLM
• ⚠️ Sanitizzare output prima di mostrare
• ⚠️ Mascherare IMEI/numeri telefono nei logs

Esempio di Interazione

👤 Admin: "Perché il device S21L-985 era offline ieri pomeriggio?"

🤖 Agent pensando...
   1. 🔍 Query devices API → Device trovato, owner: user@example.com
   2. 🔍 Query positions → Ultima posizione: 14:23:45
   3. 🔍 Query Redis presence → Gap dalle 14:23 alle 15:10
   4. 🔍 Query logs Loki → Trovato: "ws-consumer lag warning"
   
🤖 Agent: "Il device S21L-985 è risultato offline dalle 14:23 alle 15:10 
   di ieri. L'analisi dei logs mostra che il consumer WebSocket aveva 
   accumulato un lag di 45 minuti nella lettura del presence stream.
   
   📊 Timeline:
   - 14:23:45 - Ultima posizione ricevuta
   - 14:25:00 - Device marcato offline (timeout 10 min)
   - 15:10:22 - Consumer riavviato automaticamente
   - 15:10:30 - Device tornato online
   
   💡 Suggerimento: Considera di aumentare le repliche del ws-consumer 
   o implementare un circuit breaker per gestire meglio i picchi di carico."

Roadmap Implementazione

Fase 1: MVP (1 settimana)

• Setup microservice base
• Integrazione OpenAI/Anthropic
• Tool base: query_devices, query_positions
• UI chat semplice nell'admin

Fase 2: Espansione (1 settimana)

• Aggiunta tools: query_events, query_redis
• Streaming SSE
• Context awareness (device selezionato)
• History conversazioni

Fase 3: Polish (1 settimana)

• Query logs Loki
• Comandi device (send_command)
• Caching risposte
• Rate limiting e audit

Risorse Utili

• OpenAI Function Calling
• LangChain Agents
• Anthropic Tool Use