openprompt-lang 1.2.7 → 1.4.0

package/src/boost/hardware-detector.js

@@ -0,0 +1,486 @@
+// @use(kind, contract, limit)
+// @kind(util)
+// @contract(in: none -> out: detectHardware, getRuntimeStatus, getSafeParallelism, getRAMWarning, generateBoostConfig, saveBoostConfig, getSetupMessage)
+// @limit(lines: 350)
+
+/**
+ * Hardware Detector — Módulo OPL Boost
+ *
+ * Detecta las capacidades del PC del usuario para recomendar
+ * la configuración óptima de Boost: perfil, paralelismo, modelo.
+ *
+ * Se ejecuta en:
+ *   - Primera instalación (postinstall / opl boost setup)
+ *   - Bajo demanda (opl boost setup --re-detect)
+ *
+ * La configuración se guarda en prompt-lang.json > boost.hardware
+ */
+
+import os from "os"
+import { execSync } from "child_process"
+import { readFileSync, writeFileSync, existsSync, mkdirSync } from "fs"
+import { join } from "path"
+import { PROFILES } from "./profile-registry.js"
+
+// ──────────────────────────────────────────────
+// Detección de hardware
+// ──────────────────────────────────────────────
+
+function bytesToGB(bytes) {
+  return Math.round(bytes / (1024 * 1024 * 1024))
+}
+
+function detectRAM() {
+  return {
+    totalBytes: os.totalmem(),
+    totalGB: bytesToGB(os.totalmem()),
+    freeBytes: os.freemem(),
+    freeGB: bytesToGB(os.freemem()),
+  }
+}
+
+function detectCPU() {
+  const cpus = os.cpus()
+  return {
+    cores: cpus.length,
+    model: cpus[0]?.model?.trim() || "Desconocido",
+    arch: process.arch,
+    platform: process.platform,
+  }
+}
+
+function detectGPU() {
+  try {
+    if (process.platform === "win32") {
+      const output = execSync(
+        'wmic path win32_VideoController get name,adapterram 2>nul',
+        { encoding: "utf-8", timeout: 5000 }
+      )
+      const lines = output.split("\n").filter((l) => l.trim() && !l.includes("Name"))
+      if (lines.length > 0) {
+        const parts = lines[0].trim().split(/\s{2,}/)
+        return {
+          name: parts[0] || "GPU detectada",
+          vramBytes: parts[1] ? parseInt(parts[1]) : null,
+          vramGB: parts[1] ? bytesToGB(parseInt(parts[1])) : null,
+        }
+      }
+    } else {
+      // Linux / macOS — nvidia-smi
+      const output = execSync(
+        'nvidia-smi --query-gpu=name,memory.total --format=csv,noheader 2>/dev/null || echo ""',
+        { encoding: "utf-8", timeout: 5000 }
+      )
+      const line = output.trim()
+      if (line) {
+        const [name, memStr] = line.split(", ")
+        const vramMB = memStr ? parseInt(memStr.replace(" MiB", "").trim()) : null
+        return {
+          name: name?.trim() || "NVIDIA GPU detectada",
+          vramBytes: vramMB ? vramMB * 1024 * 1024 : null,
+          vramGB: vramMB ? Math.round(vramMB / 1024) : null,
+        }
+      }
+
+      // Intel ARC / AMD — intentar con glxinfo
+      const glxOutput = execSync(
+        'glxinfo -B 2>/dev/null | grep "Device:" || echo ""',
+        { encoding: "utf-8", timeout: 5000 }
+      )
+      if (glxOutput.trim()) {
+        return { name: glxOutput.trim().replace("Device:", "").trim(), vramBytes: null, vramGB: null }
+      }
+    }
+  } catch {
+    // No GPU detectada o no hay drivers
+  }
+  return null
+}
+
+function detectOllamaStatus() {
+  try {
+    const output = execSync(
+      'curl -s http://localhost:11434/api/tags 2>/dev/null || echo ""',
+      { encoding: "utf-8", timeout: 3000 }
+    )
+    if (output) {
+      const data = JSON.parse(output)
+      const models = (data.models || []).map((m) => ({
+        name: m.name,
+        sizeGB: Math.round(m.size / (1024 * 1024 * 1024) * 10) / 10,
+      }))
+      return { installed: true, models }
+    }
+  } catch {
+    // Ollama no está corriendo
+  }
+  return { installed: false, models: [] }
+}
+
+// ──────────────────────────────────────────────
+// Recomendación de configuración
+// ──────────────────────────────────────────────
+
+function recommendProfile(ram, cpu, gpu) {
+  const ramGB = ram.totalGB
+  const cores = cpu.cores
+  const hasGPU = gpu !== null
+  const vramGB = gpu?.vramGB || 0
+
+  // Reglas de recomendación basadas en hardware real
+  if (ramGB >= 32 && cores >= 8 && hasGPU && vramGB >= 8) {
+    return { profile: "large", reason: "PC de alta capacidad: RAM ≥32GB, GPU ≥8GB VRAM, ≥8 núcleos" }
+  }
+  if (ramGB >= 16 && cores >= 6) {
+    return { profile: "medium", reason: "PC de capacidad media: RAM ≥16GB, ≥6 núcleos" }
+  }
+  if (ramGB >= 8 && cores >= 4) {
+    return { profile: "medium", reason: "PC estándar: RAM ≥8GB, ≥4 núcleos. Se usará modo cola para no saturar." }
+  }
+  return { profile: "small", reason: "PC con recursos limitados: se usará el modelo más pequeño y modo cola" }
+}
+
+function recommendParallelism(ram, gpu, profile) {
+  const ramGB = ram.totalGB
+  const hasGPU = gpu !== null
+  const vramGB = gpu?.vramGB || 0
+
+  if (profile === "large" && hasGPU && vramGB >= 12) {
+    return { mode: "parallel", maxConcurrency: 3, reason: "GPU con suficiente VRAM para 3 instancias" }
+  }
+  if (profile === "large" && hasGPU) {
+    return { mode: "parallel", maxConcurrency: 2, reason: "GPU disponible, 2 instancias en paralelo" }
+  }
+  if (ramGB >= 32 && hasGPU) {
+    return { mode: "parallel", maxConcurrency: 2, reason: "Suficiente RAM y GPU para 2 instancias" }
+  }
+  if (ramGB >= 16) {
+    return { mode: "queue", maxConcurrency: 1, reason: "RAM suficiente para cola, no para paralelo real" }
+  }
+  return { mode: "queue", maxConcurrency: 1, reason: "Modo cola: un agente a la vez para no saturar el sistema" }
+}
+
+function recommendModel(gpu, ram, profile) {
+  const hasGPU = gpu !== null
+  const vramGB = gpu?.vramGB || 0
+
+  if (profile === "large" && hasGPU && vramGB >= 16) {
+    return "qwen2.5-coder:7b" // o 14b si está disponible
+  }
+  if (profile === "medium" && hasGPU && vramGB >= 6) {
+    return "qwen2.5-coder:7b"
+  }
+  if (profile === "medium" && ram.totalGB >= 16) {
+    return "qwen2.5-coder:7b" // CPU con suficiente RAM
+  }
+  return "llama3.2:latest" // Modelo pequeño para CPU o RAM limitada
+}
+
+// ──────────────────────────────────────────────
+// API pública
+// ──────────────────────────────────────────────
+
+export function detectHardware() {
+  const ram = detectRAM()
+  const cpu = detectCPU()
+  const gpu = detectGPU()
+  const ollama = detectOllamaStatus()
+  const profileRec = recommendProfile(ram, cpu, gpu)
+  const parallelRec = recommendParallelism(ram, gpu, profileRec.profile)
+  const modelRec = recommendModel(gpu, ram, profileRec.profile)
+
+  return {
+    timestamp: new Date().toISOString(),
+    os: `${process.platform} ${process.arch}`,
+    ram,
+    cpu,
+    gpu,
+    ollama,
+    recommendation: {
+      profile: profileRec.profile,
+      profileReason: profileRec.reason,
+      agentMode: parallelRec.mode,
+      maxConcurrency: parallelRec.maxConcurrency,
+      concurrencyReason: parallelRec.reason,
+      recommendedModel: modelRec,
+    },
+  }
+}
+
+export function generateBoostConfig(hardware) {
+  const { recommendation, ollama } = hardware
+
+  return {
+    enabled: true,
+    defaultProfile: "auto",
+    hardware: {
+      totalRamGB: hardware.ram.totalGB,
+      cpuCores: hardware.cpu.cores,
+      gpuName: hardware.gpu?.name || null,
+      gpuVramGB: hardware.gpu?.vramGB || null,
+      hasOllama: ollama.installed,
+      ollamaModels: ollama.models.map((m) => m.name),
+      detectedAt: hardware.timestamp,
+    },
+    profiles: {
+      small: PROFILES.small,
+      medium: PROFILES.medium,
+      large: PROFILES.large,
+    },
+    agentPool: {
+      mode: recommendation.agentMode,
+      maxConcurrency: recommendation.maxConcurrency,
+      modelName: recommendation.recommendedModel,
+      timeout: 30000,
+    },
+  }
+}
+
+export function saveBoostConfig(boostConfig) {
+  const configPath = join(process.cwd(), "prompt-lang.json")
+
+  let config
+  if (existsSync(configPath)) {
+    config = JSON.parse(readFileSync(configPath, "utf-8"))
+  } else {
+    config = {}
+  }
+
+  config.boost = boostConfig
+  writeFileSync(configPath, JSON.stringify(config, null, 2), "utf-8")
+  return configPath
+}
+
+export function getSetupMessage(hardware) {
+  const { ram, cpu, gpu, ollama, recommendation } = hardware
+  const lines = []
+
+  lines.push("")
+  lines.push("╔══════════════════════════════════════════════════════════╗")
+  lines.push("║           🚀 OPL Boost — Setup de Hardware            ║")
+  lines.push("╚══════════════════════════════════════════════════════════╝")
+  lines.push("")
+
+  lines.push("📊  Hardware detectado:")
+  lines.push(`     RAM:  ${ram.totalGB} GB (${ram.freeGB} GB libres)`)
+  lines.push(`     CPU:  ${cpu.cores} núcleos — ${cpu.model}`)
+  lines.push(`     GPU:  ${gpu ? `${gpu.name} (${gpu.vramGB ? gpu.vramGB + " GB VRAM" : "desconocida"})` : "No detectada"}`)
+
+  if (ollama.installed) {
+    lines.push(`     🟢  Ollama: INSTALADO (${ollama.models.length} modelos disponibles)`)
+    for (const m of ollama.models) {
+      lines.push(`           • ${m.name} (${m.sizeGB} GB)`)
+    }
+  } else {
+    lines.push(`     🔴  Ollama: NO DETECTADO`)
+  }
+
+  lines.push("")
+  lines.push("💡  ¿Por qué necesitamos Ollima?")
+  lines.push("     OPL Boost usa modelos locales de IA para generar código.")
+  lines.push("     En lugar de gastar tokens de un modelo grande (GPT-4, Claude),")
+  lines.push("     Boost reparte el trabajo entre modelos pequeños (7B) que corren")
+  lines.push("     en tu PC. Es más lento pero MUCHO más barato, y te permite")
+  lines.push("     trabajar sin conexión ni límites de API.")
+  lines.push("")
+
+  lines.push("📋  Configuración recomendada para tu PC:")
+  lines.push(`     Perfil:       ${recommendation.profile}`)
+  lines.push(`     Modo agentes: ${recommendation.agentMode}`)
+  lines.push(`     Concurrencia: ${recommendation.maxConcurrency} agente(s) simultáneo(s)`)
+  lines.push(`     Modelo:       ${recommendation.recommendedModel}`)
+  lines.push(`     Razón:        ${recommendation.profileReason}`)
+  lines.push("")
+
+  if (!ollama.installed) {
+    lines.push("⚠️  IMPORTANTE: Ollama NO está instalado.")
+    lines.push("     Boost necesita Ollama para funcionar. Instálalo con:")
+    lines.push("")
+    lines.push("     curl -fsSL https://ollama.com/install.sh | sh")
+    lines.push("")
+    lines.push("     Luego descarga un modelo:")
+    lines.push(`     ollama pull ${recommendation.recommendedModel}`)
+    lines.push("")
+    lines.push("     Después, ejecuta:  opl boost setup")
+    lines.push("")
+  }
+
+  lines.push("✅  Configuración guardada en prompt-lang.json")
+  lines.push("    Puedes re-ejecutar:  opl boost setup --re-detect")
+  lines.push("")
+
+  return lines.join("\n")
+}
+
+// ──────────────────────────────────────────────
+// Monitoreo en tiempo real
+// ──────────────────────────────────────────────
+
+/**
+ * Estado actual del sistema en tiempo real.
+ * A diferencia de detectHardware() (que es estático), esto se llama
+ * en cada solicitud de agente para decidir si ejecutar ahora o esperar.
+ */
+// Modelos de Ollama en RAM estimado (valores típicos)
+const MODEL_RAM_ESTIMATE = {
+  "llama3.2:latest": 2.5,   // GB
+  "qwen2.5-coder:7b": 5.5,  // GB
+  "llama3:latest": 6.0,     // GB
+  "deepseek-coder:7b": 5.0, // GB
+  "default": 4.0,           // GB estimado genérico
+}
+
+export function getRuntimeStatus() {
+  const freeBytes = os.freemem()
+  const totalBytes = os.totalmem()
+  const freeGB = bytesToGB(freeBytes)
+  const totalGB = bytesToGB(totalBytes)
+  const usedGB = totalGB - freeGB
+  const usagePercent = Math.round((1 - freeBytes / totalBytes) * 100)
+
+  // Carga del sistema
+  const loadAvg = os.loadavg ? os.loadavg() : [0, 0, 0]
+  const cpuCount = os.cpus().length
+
+  return {
+    timestamp: new Date().toISOString(),
+    ram: {
+      totalGB,
+      freeGB,
+      usedGB,
+      usagePercent,
+      isCritical: freeGB < 2,
+      isLow: freeGB < 4,
+      isHealthy: freeGB >= 6,
+    },
+    cpu: {
+      cores: cpuCount,
+      loadAvg1m: loadAvg[0]?.toFixed(1) || "0.0",
+      loadAvg5m: loadAvg[1]?.toFixed(1) || "0.0",
+      isLoaded: cpuCount > 0 && loadAvg[0] > cpuCount * 0.8,
+    },
+    safeToRunAgent: freeGB >= 4,
+    warning: null,
+  }
+}
+
+/**
+ * Determina cuántos agentes pueden ejecutarse AHORA sin saturar el PC.
+ * Considera RAM libre actual + carga actual de CPU.
+ *
+ * @param {object} hardwareConfig - Config de hardware guardada (opcional)
+ * @returns {{ safe: boolean, maxAgents: number, mode: string, reason: string }}
+ */
+export function getSafeParallelism(hardwareConfig) {
+  const runtime = getRuntimeStatus()
+
+  // Reglas basadas en RAM libre ACTUAL
+  if (runtime.ram.isCritical) {
+    return {
+      safe: false,
+      maxAgents: 0,
+      mode: "blocked",
+      reason: `RAM crítica: ${runtime.ram.freeGB}GB libres. Libera memoria antes de ejecutar agentes.`,
+    }
+  }
+
+  if (runtime.ram.isLow) {
+    return {
+      safe: true,
+      maxAgents: 1,
+      mode: "queue",
+      reason: `RAM baja: ${runtime.ram.freeGB}GB libres. Solo 1 agente en cola.`,
+    }
+  }
+
+  if (runtime.cpu.isLoaded) {
+    return {
+      safe: true,
+      maxAgents: 1,
+      mode: "queue",
+      reason: `CPU cargada (load: ${runtime.cpu.loadAvg1m}). Reduciendo a 1 agente.`,
+    }
+  }
+
+  // RAM saludable — usar configuración guardada
+  const configuredMax = hardwareConfig?.agentPool?.maxConcurrency || 2
+
+  if (runtime.ram.freeGB >= 16 && configuredMax >= 2) {
+    return {
+      safe: true,
+      maxAgents: Math.min(configuredMax, 3),
+      mode: "parallel",
+      reason: `RAM saludable: ${runtime.ram.freeGB}GB libres. Hasta ${Math.min(configuredMax, 3)} agentes en paralelo.`,
+    }
+  }
+
+  if (runtime.ram.freeGB >= 8) {
+    return {
+      safe: true,
+      maxAgents: Math.min(configuredMax, 2),
+      mode: "parallel",
+      reason: `RAM suficiente: ${runtime.ram.freeGB}GB libres. Hasta ${Math.min(configuredMax, 2)} agentes.`,
+    }
+  }
+
+  return {
+    safe: true,
+    maxAgents: 1,
+    mode: "queue",
+    reason: `RAM moderada: ${runtime.ram.freeGB}GB libres. 1 agente por vez.`,
+  }
+}
+
+/**
+ * Genera una advertencia si el sistema está muy cargado.
+ * @returns {string|null} Mensaje de advertencia o null si todo bien
+ */
+export function getRAMWarning() {
+  const runtime = getRuntimeStatus()
+
+  if (runtime.ram.isCritical) {
+    return (
+      `⚠️  RAM CRÍTICA: Solo ${runtime.ram.freeGB}GB libres de ${runtime.ram.totalGB}GB (${runtime.ram.usagePercent}% usado).\n` +
+      `    Los agentes Boost NO se ejecutarán hasta que liberes memoria.\n` +
+      `    → Cierra navegadores, Docker, o programas pesados.\n` +
+      `    → Luego ejecuta: opl boost check`
+    )
+  }
+
+  if (runtime.ram.isLow && runtime.cpu.isLoaded) {
+    return (
+      `⚠️  RAM baja (${runtime.ram.freeGB}GB libres) y CPU cargada (load: ${runtime.cpu.loadAvg1m}).\n` +
+      `    Los agentes se ejecutarán en MODO COLA (1 por vez) para no saturar.\n` +
+      `    Será más lento, pero tu PC se mantendrá usable.`
+    )
+  }
+
+  if (runtime.ram.isLow) {
+    return (
+      `ℹ️  RAM baja: ${runtime.ram.freeGB}GB libres de ${runtime.ram.totalGB}GB.\n` +
+      `    Modo cola activado. Si notas lentitud, cierra otras aplicaciones.`
+    )
+  }
+
+  if (runtime.cpu.isLoaded) {
+    return (
+      `ℹ️  CPU cargada (load: ${runtime.cpu.loadAvg1m}/${runtime.cpu.cores} núcleos).\n` +
+      `    Los agentes se ralentizarán automáticamente.`
+    )
+  }
+
+  return null
+}
+
+/**
+ * Calcula cuánta RAM消耗rá un modelo específico en Ollama.
+ * @param {string} modelName - Nombre del modelo
+ * @returns {number} RAM estimada en GB
+ */
+export function estimateModelRAM(modelName) {
+  const name = modelName?.toLowerCase() || ""
+  for (const [key, gb] of Object.entries(MODEL_RAM_ESTIMATE)) {
+    if (name.includes(key.replace(":latest", ""))) return gb
+  }
+  return MODEL_RAM_ESTIMATE.default
+}