🎓 Agente Maestro-Estudiante · LM Studio

Sistema multi-agente de aprendizaje adaptativo que corre 100% en local usando un LLM de LM Studio. Sin claves de API externas, sin conexión a la nube.

---

✨ ¿Qué hace?

Dos agentes con roles distintos interactúan en una sesión de aprendizaje estructurada:

Agente	Rol
🎓 Maestro	Explica el tema, hace preguntas y evalúa con puntuación 0–10
🧑‍💻 Estudiante	Responde, pregunta y aprende de forma progresiva

Cada agente mantiene su propio historial de conversación e identidad. El sistema adapta la dificultad según el rendimiento del estudiante y genera un reporte final con estadísticas de la sesión.

---

🖥️ Captura de sesión

╔══════════════════════════════════════╗
║   AGENTE MAESTRO ✦ ESTUDIANTE        ║
║   Powered by LM Studio · Local LLM   ║
╚══════════════════════════════════════╝

── Selección de Modelo ─────────────────
  #   Modelo disponible
  1   llama-3.1-8b-instruct
  2   mistral-7b-instruct-v0.3

Selecciona el modelo (1-2) [1]: 1

── Configuración de Sesión ─────────────
  Tema de estudio      : Redes Neuronales Artificiales
  Nivel de dificultad  : Intermedio
  Número de rondas     : 3
  Modo                 : Manual

── INICIO DE SESIÓN ────────────────────
  🎓 MAESTRO  ...

---

🚀 Instalación y uso

1. Prerrequisitos

• LM Studio instalado con al menos un modelo descargado
• Python 3.10 o superior

2. Clonar el repositorio

git clone https://github.com/<tu-usuario>/master-student-agent.git
cd master-student-agent

3. Instalar dependencias

pip install openai rich

También puedes usar el archivo de dependencias incluido:

pip install -r requirements.txt

4. Iniciar LM Studio

1. Abre LM Studio
2. Ve a la pestaña Local Server
3. Selecciona un modelo y pulsa Start Server
4. El servidor queda disponible en http://localhost:1234

5. Ejecutar el agente

python master_student_agent.py

El programa detecta automáticamente los modelos cargados y te presenta un menú de selección al inicio.

---

⚙️ Modos de sesión

Modo	Descripción
Auto	El LLM interpreta ambos roles. El Maestro enseña y el Estudiante responde. Útil para observar el flujo completo.
Manual	Tú eres el Estudiante. El Maestro te guía, evalúa tus respuestas y adapta la lección en tiempo real.

---

📊 Sistema de evaluación

Al final de cada ronda el Maestro asigna una puntuación y genera feedback constructivo:

[PUNTUACIÓN: 8/10]
[FEEDBACK]: Excelente comprensión del concepto. Podrías profundizar en...

Al terminar la sesión se muestra una tabla de rendimiento:

Ronda   Puntuación   Rendimiento
  1      8/10        █████ Excelente
  2      6/10        ████░ Bueno
  3      9/10        █████ Excelente
──────────────────────────────────
Promedio  7.7/10

---

🗂️ Estructura del proyecto

master-student-agent/
├── master_student_agent.py   # Código principal
├── requirements.txt          # Dependencias
├── .gitignore                # Archivos excluidos de Git
└── README.md                 # Este archivo

---

🔧 Configuración avanzada

Las constantes al inicio del archivo permiten ajustar el comportamiento sin tocar la lógica:

LM_STUDIO_URL = "http://localhost:1234/v1"  # URL del servidor LM Studio
TEMPERATURE   = 0.7                          # Creatividad del modelo (0.0 – 1.0)
MAX_TOKENS    = 1024                         # Longitud máxima de respuesta

---

📦 Dependencias

Paquete	Uso
openai	Cliente compatible con la API de LM Studio
rich	Interfaz de terminal con paneles, tablas y spinners

---

🛠️ Configurar el repositorio Git

# Inicializar con rama main
git init
git checkout -b main

# Primer commit
git add .
git commit -m "feat: agente maestro-estudiante con LM Studio"

# Vincular con GitHub y hacer el primer push
git remote add origin https://github.com/<tu-usuario>/master-student-agent.git
git push -u origin main

---

📄 Licencia

MIT — libre para usar, modificar y distribuir.

---

Hecho con curiosidad, Python y un LLM local 🤖