lama-development/debrief

# Debrief _Incident Response Multi-Agent Platform_ Tre agenti orchestrati da un router LLM gestiscono il ciclo di vita di un incidente: 1. **Triage**: classificazione e prioritizzazione; 2. **Investigator**: ricerca di incidenti simili via RAG; 3. **Resolver**: remediation e post-mortem automatico. Il sistema impara da ogni incidente risolto e dalle soluzioni fornite dagli umani. ## Quick start ### 1. Clona e installa git clone https://github.com/lama-development/debrief && cd debrief cp .env.example .env # Inserisci la tua GROQ_API_KEY in .env ### 2. Installa dipendenze uv sync ### 3. Popola il database con i dati di seed uv run python seed/run_seed.py ### 4. Avvia il backend uv run uvicorn src.debrief.api.app:app --reload ### 5. (_opzionale_) Esegui la valutazione uv run eval ## Stack | Livello | Scelta | | --------------------- | ------------------------------ | | Orchestrazione agenti | Agno | | Vector DB | LanceDB | | Embedding | sentence-transformers (locale) | | LLM | Groq (modelli open-source) | | Backend | FastAPI + uv | | Frontend | React + shadcn/ui | | Database | SQLite | ## Documentazione La documentazione tecnica completa con le motivazioni architetturali e la valutazione è in `docs/Debrief_Documentazione_Tecnica.md`. ## Autore Davide La Marca (20054157) - Programmazione di Applicazioni Intelligenti