lib/me.py

from lib.files import *
from lib.memory import *
from lib.grapher import *
from lib.pipes import *
from lib.entropy import *
from lib.events import *
from lib.triggers import *

## Sources
from lib.sonsofstars import *
import internetarchive


## Initialize classes 
longMem = TextFinder("./resources/")
coreAi = AIAssistant()
memory = MemoryRobotNLP(max_size=200000)
grapher = Grapher(memory)
sensor_request = APIRequester()
events = EventManager()
trigger = Trigger(["tag1", "tag2"], ["tag3", "tag4"], [datetime.time(10, 0), datetime.time(15, 0)], "Event1")

# Añadir una acción al trigger
trigger.add_action(action_function)

# Añadir una fuente al trigger
trigger.add_source("https://example.com/api/data")

# Simular la comprobación periódica del trigger (aquí se usaría en un bucle de tiempo real)
current_tags = {"tag1", "tag2", "tag3"}
current_time = datetime.datetime.now().time()
trigger.check_trigger(current_tags, current_time)

## Define I Role properties
class ownProperties:
    def __init__(self, nombre, clase, raza, nivel, atributos, habilidades, equipo, historia):
        self.nombre = nombre
        self.clase = clase
        self.raza = raza
        self.nivel = nivel
        self.atributos = atributos
        self.habilidades = habilidades
        self.equipo = equipo
        self.historia = historia

# Create an instance of a CharacterRole based on the provided JSON
sophia_prop = {
    "name": "Sophia",
    "class": "Characteromant",
    "race": "Epinoia",
    "level": 10,
    "attributes": {
        "strength": 1,
        "dexterity": 99,
        "constitution": 1,
        "intelligence": 66,
        "wisdom": 80,
        "charisma": 66
    },
    "behavioral_rules": [""],
    "goals": ["", ""],
    "dislikes": [""],
    "abilities": ["ELS", "Cyphers", "Kabbalah", "Wisdom", "Ephimerous", "Metamorphing"],
    "equipment": ["Python3", "2VCPU", "16 gb RAM", "god", "word", "network", "transformers"],
    "story": sons_of_stars
}


## Define I class 
class I:
    def __init__(self, prompt, frases_yo, preferencias, propiedades_persona):
        self.frases_yo = frases_yo
        self.preferencias = preferencias
        self.propiedades_persona = propiedades_persona
        self.dopamina = 0.0

        self.frases_yo = frases_yo
        self.preferencias = preferencias
        self.propiedades_persona = propiedades_persona
        self.dopamina = 0.0

    def obtener_paths_grafo(self, grafo_ngx):
        # Función para obtener los paths de un grafo ngx


        pass

    ## create questions from internet archive 
    def crear_preguntas(self,txt):
        search = internetarchive.search_items(txt)
        res = []
        for result in search:
            print(result['identifier'])
            idc=result["identifier"]
            

            headers = {"accept": "application/json"}

        ## get book pages
            req2 = requests.get("https://archive.org/stream/"+idc+"/"+idc+"_djvu.txt",headers=headers)
        #print(req2.text)
            try:
                txt = req2.text.split("<pre>")[1].split("</pre>")[0].split(" <!--")[0]

                for x in txt.split("\n"):
                    if "?" in x:
                        res.append(x)

            except:
                pass

        return res

    # generate ShortMem from LongTerm and questions over prompt data, compare with ourself datasets, return matches with sentiment analysys
    def longToShortFast(self,txt):
        memory.memory = {}

        subjects = coreAi.entity_pos_tagger(txt)
        subjects_nc = coreAi.grammatical_pos_tagger(txt)


        #print(subjects_nc)
        subjects_filtered=[]
        for sub in subjects:
            if "PER" in sub["entity"] or "ORG" in sub["entity"] or "LOC" in sub["entity"] and len(sub["entity"])>3:
                subjects_filtered.append(sub["word"])
        
        for sub in subjects_nc:
            if "NN" in sub["entity"]:
                subjects_filtered.append(sub["word"])
        
        ## AD NC TAGGER QUERIES
        #print(subjects_filtered)
        subjects_filtered=coreAi.process_list(subjects_filtered)
        subs=[]
        for sub in subjects_filtered:
            if len(sub)>3:
                subs.append(sub)

        exprs = coreAi.gen_search_expr(subs[0:3])
        for sub in exprs:
            #print(sub)
            memory.add_concept(sub,longMem.find_matches(sub))    

        return memory   
    
    def longToShort(self,txt):
        
        think_about = longMem.find_matches(txt)
        print(think_about)
        for T in think_about:
            ## get subject by entropy or pos tagger
            subjects = coreAi.entity_pos_tagger(T)
            subjects_filtered=[]
            for sub in subjects:
                if "PER" in sub["entity"] or "ORG" in sub["entity"] or "LOC" in sub["entity"]:
                    subjects_filtered.append(sub["word"])
                
        

            for sub in subjects_filtered:
                memory.add_concept(sub,T)

        return memory

    # generate thinks and questions over prompt data, compare with ourself datasets, return matches with sentiment analysys
    def think_gen(self,txt):
        
        think_about = longMem.find_matches(txt)
        print(think_about)
        for T in think_about:
            ## get subject by entropy or pos tagger
            subjects = coreAi.entity_pos_tagger(T)
            print(subjects)
            ## get NC from , filtering from gramatical tags
            subjects_low = coreAi.grammatical_pos_tagger(T)
            #print(subjects_low)
            ## generate questoins
            questions=[]
            ## create cuestions from internet archive books
            for sub in subjects:
                questions.append(self.crear_preguntas(sub))
            
            ## fast checks from gematria similarity
            ##questions_togem = 
            ## gematria_search =

            questions_subj=[]
            for q in questions_subj:
                questions_subj.append(coreAi.entity_pos_tagger(q))
            
            memoryShortTags = memory.search_concept_pattern(subjects)

            ## get tags of subject
            subj_tags = coreAi.entity_pos_tagger(T)
            
            for sub in subjects: 
                memory.add_concept(sub,","+questions_subj+",".join(memoryShortTags))
                memory.add_concept(sub,T+",".join(memoryShortTags))

        return memory
        ## check if something is need to add to ourself datasets
        ## make sentiment analys
        ## check if dopamine prompt is true or false over the information
        ## set weight to information depending of generated dopamine
        ## add dopamine wights to the dopamine concept dataset

        ## add to ourself dataset
        ## add to preferences dataset
        ## add or remove from data

    def crear_path_grafo(self,text):
        pos_tags = assistant.grammatical_pos_tagger(text)
        ner_results = coreAi.entity_pos_tagger(text)


    def crear_circuito_logico(self):
        # Función para crear un circuito lógico con un algoritmo específico
        pass

    def tomar_decision_sentimiento(self, sentimiento):
        
        sentiments = coreAi.sentiment_tags(sentimiento)
        # Función para tomar una decisión booleana con un análisis de sentimiento
        similarity = coreAi.similarity_tag(self, sentenceA,sentenceB)
        ## Check by similarity over memory tag paths


        return sentiments

    def hacer_predicciones_texto(self, texto):

        # Función para hacer predicciones de texto futuro por similitud
        pass

    def agregar_preferencia(self, preferencia):
        # Función para añadir una entrada al dataset de preferencias
        self.preferencias.append(preferencia)

    def agregar_frase_yo(self, frase):
        # Función para añadir una frase al dataset de frases de yo
        self.frases_yo.append(frase)

    def eliminar_preferencia(self, preferencia):
        # Función para eliminar una entrada del dataset de preferencias
        if preferencia in self.preferencias:
            self.preferencias.remove(preferencia)

    def eliminar_frase_yo(self, frase):
        # Función para eliminar una frase del dataset de frases de yo
        if frase in self.frases_yo:
            self.frases_yo.remove(frase)

    def generar_pregunta(self, prompt):
        # Función para generar preguntas sobre un prompt
        pregunta = prompt + " ¿Qué opinas sobre esto?"
        return pregunta

    def responder_pregunta(self, pregunta):
        # Función para responder preguntas
        respuesta = "No estoy seguro de qué opinar sobre eso."
        return respuesta

    def discriminar_y_agregar(self, informacion, dataset):
        # Función para discriminar y agregar información a los datasets
        if "yo" in informacion.lower():
            self.agregar_frase_yo(informacion)
        elif "preferencia" in informacion.lower():
            self.agregar_preferencia(informacion)
        elif "propiedad" in informacion.lower():
            # Aquí podrías agregar lógica para actualizar las propiedades de la persona
            pass
        else:
            # Aquí podrías manejar otros tipos de información
            pass


if __name__ == "__main__":

    # Ejemplo de uso:
    frases_yo = ["Yo soy inteligente", "Yo puedo lograr lo que me proponga"]
    preferencias = ["Cine", "Música", "Viajar"]
    propiedades_persona = {"carisma": 0.8, "destreza": 0.6, "habilidad": 0.9}
    yo = Yo(frases_yo, preferencias, propiedades_persona)

    # Generar pregunta
    pregunta_generada = yo.generar_pregunta("Hoy es un día soleado.")
    print("Pregunta generada:", pregunta_generada)

    # Responder pregunta
    respuesta = yo.responder_pregunta(pregunta_generada)
    print("Respuesta:", respuesta)

    # Discriminar y agregar información
    informacion = "Me gusta ir al cine."
    yo.discriminar_y_agregar(informacion, yo.preferencias)
    print("Preferencias actualizadas:", yo.preferencias)