""" Connect: erzeugt saubere, getestete Konfig-Snippets für IDEs/Agenten auf dem LOKALEN PC (separate Maschine im LAN). Alle zeigen auf den **Gateway** der Box (reale Modelle coder/heavy/vision, Cockpit-Port :9001/v1) + den **Shared-Memory-MCP** (MC :9001). Wichtig: Host ist die LAN-IP der Box (NICHT eine Proxy-Domain) — das war in v1 die häufigste Fehlerquelle. Der Aufrufer übergibt den Host explizit. """ import json import httpx from config import LLAMA_SWAP_URL, MEM0_SERVICE_URL, PORT DEFAULT_HOST = "192.168.178.151" # IDEs bekommen die ECHTEN Box-Modelle direkt (kein Lane-Routing): Coder (bauen), Planer (denken), # Augen (Bilder, Vision). Der User wechselt im Modellwähler — spiegelt das reale Zed-Setup 1:1. PRIMARY_MODEL = "coder" def _caps(tools: bool = True, images: bool = False) -> dict: """Volle 7-Feld-Capabilities — Zed braucht sie KOMPLETT, sonst greift die Modellwahl nicht.""" return {"tools": tools, "images": images, "parallel_tool_calls": False, "prompt_cache_key": False, "chat_completions": True, "interleaved_reasoning": False, "max_tokens_parameter": False} # Reale Box-Modelle für die IDE-Welt (getrennt von Lucy): bauen · denken · sehen. IDE_MODELS = [ {"name": "coder", "display_name": "Box / Coder (bauen)", "max_tokens": 131072, "capabilities": _caps(True, False)}, {"name": "heavy", "display_name": "Box / Planer (denken)", "max_tokens": 32768, "capabilities": _caps(True, False)}, {"name": "vision", "display_name": "Box / Augen (Bilder)", "max_tokens": 32768, "capabilities": _caps(False, True)}, ] def _gw(host: str) -> str: # Eingebauter Gateway: MC2 serviert /v1 selbst (gleicher Port wie das Cockpit). return f"http://{host}:{PORT}/v1" def build_snippets(host: str = DEFAULT_HOST, mcp_script_path: str = r"F:\\Coding Stuff\\mission-control-2\\mcp\\mcp_memory.py", mcp_python: str = "python") -> dict: gw = _gw(host) mc_url = f"http://{host}:{PORT}" # Kilo Code = aktiver Nachfolger der Roo/Cline-Linie (Roo im April 2026 eingestellt). # Gleiche Provider-Settings-Struktur; Multi-Agent kommt aus dem Tool (Orchestrator-Modus). kilo = json.dumps({ "apiProvider": "openai", "openAiBaseUrl": gw, "openAiApiKey": "local", "openAiModelId": PRIMARY_MODEL, }, indent=2) # Zed = Rust-nativ, ~16x leichter als VS Code, Agent Panel mit parallelen Agenten, # Windows stabil seit Okt 2025 — das Haupt-Tool für den User (Anti-Bloat + klickbar). zed = json.dumps({ "language_models": { "openai_compatible": { "bosgame": { "api_url": gw, "available_models": IDE_MODELS, } } }, "agent": { "default_model": {"provider": "bosgame", "model": PRIMARY_MODEL} } }, indent=2) # Claude Code spricht das Anthropic-Format; der Gateway ist OpenAI-kompatibel und # bietet KEIN /v1/messages (verifiziert). Daher braucht es einen kleinen Übersetzer # (Anthropic ⇄ OpenAI) als Aufsatz. Die env-Vars sind Claude Codes echte Schnittstelle. claude_code = ( f"# Claude Code spricht das Anthropic-Format — der Gateway ist OpenAI-kompatibel ({gw})\n" f"# und hat kein /v1/messages. Dazwischen muss ein Übersetzer (Anthropic ⇄ OpenAI) laufen:\n" f"# • claude-code-router (leichtgewichtig, npm)\n" f"# • oder LiteLLM mit /v1/messages-Bridge\n" f"# Den Übersetzer auf den Gateway zeigen lassen: baseURL={gw}, model=coder, apiKey=local.\n" f"# Dann Claude Code auf den lokalen Übersetzer richten (Beispiel-Port 3456):\n" f"\n" f'export ANTHROPIC_BASE_URL="http://localhost:3456"\n' f'export ANTHROPIC_AUTH_TOKEN="local"\n' f'export ANTHROPIC_MODEL="coder"' ) memory_mcp = json.dumps({ "mcpServers": { "mission-control-memory": { "command": mcp_python, "args": [mcp_script_path], "env": {"MC_URL": mc_url}, } } }, indent=2) return { "host": host, "gateway_url": gw, "mc_url": mc_url, # Leitung 1 — das MODELL. Bewusst NUR 3 Tools (Verdikt 03.07.2026): Zed (Haupt-Tool: # Rust-nativ/leichtgewichtig, Agent Panel, parallele Agenten, Windows stabil seit 10/2025), # Kilo Code (VS-Code-Fallback mit Orchestrator-Modus), Claude Code (starke Sessions). # Cursor/Continue/Roo/OpenCode entfernt — Roo eingestellt, Rest cloud-first, Terminal # oder von Kilo abgedeckt. Das Evolution-Radar (AUTONOMIE_PLAN E4) überwacht die Kategorie. "tools": { "zed": {"label": "Zed (empfohlen)", "lang": "json", "snippet": zed, "note": "Leichtgewicht-Editor (Rust, ~16x weniger RAM als VS Code). settings.json → " "language_models.openai_compatible; Agent Panel nutzt dann die Box. Drei Modelle: " "Coder (bauen) · Planer (denken) · Augen (Bilder) — oben im Wähler umschalten."}, "kilo": {"label": "Kilo Code", "lang": "json", "snippet": kilo, "note": "VS Code/JetBrains (schwergewichtiger). OpenAI-Provider → Gateway. " "API-Profile je Modus: Code→coder · Architect/Orchestrator→heavy · Ask/Debug→chat."}, "claude_code": {"label": "Claude Code", "lang": "bash", "snippet": claude_code, "note": "Für die starken Sessions. Lokal-Betrieb bräuchte einen Anthropic⇄OpenAI-Übersetzer vor dem Gateway; Gedächtnis-Anbindung via Memory-MCP unten."}, }, # Leitung 2 — das GEDÄCHTNIS. Separater MCP-Server, gilt zusätzlich zu jedem Tool oben. "memory": {"label": "Shared Memory (MCP)", "lang": "json", "snippet": memory_mcp, "note": "Eigene Leitung: MCP-Block für jedes MCP-fähige Tool. mcp_memory.py muss lokal liegen."}, } def check_health() -> dict: """Live-Erreichbarkeit der beiden Leitungen, aus Sicht der Box: Leitung 1 = Gateway/Engine (llama-swap), Leitung 2 = Gedächtnis-Sidecar (Mem0).""" gateway = {"ok": False, "detail": "nicht erreichbar"} try: with httpx.Client(timeout=3.0) as c: r = c.get(f"{LLAMA_SWAP_URL}/v1/models") if r.status_code == 200: n = len(r.json().get("data", [])) gateway = {"ok": True, "detail": f"{n} Modelle verfügbar" if n else "bereit"} else: gateway = {"ok": False, "detail": f"HTTP {r.status_code}"} except Exception: # noqa: BLE001 pass memory = {"ok": False, "detail": "nicht erreichbar"} try: with httpx.Client(timeout=3.0) as c: r = c.get(f"{MEM0_SERVICE_URL}/health") memory = ({"ok": True, "detail": "bereit"} if r.status_code == 200 else {"ok": False, "detail": f"HTTP {r.status_code}"}) except Exception: # noqa: BLE001 pass return {"gateway": gateway, "memory": memory}