Asistente de Traducción y Localización (Agente MCP + Memoria + Streamlit)

Proyecto final — César Reyna · Curso Estrategias de Integración LLM (BSG)

Problema

• Usuario principal: traductor / gestor de proyectos de localización.
• Necesidad: responder rápido preguntas recurrentes de un flujo de traducción: ¿cuál es el término aprobado?, ¿ya tradujimos algo parecido?, traducir respetando la terminología, y revisar (alinear) una traducción contra su original.
• Qué NO cubre (límites): no es un traductor automático de producción; la tool traducir_multicloud es una demo sin claves reales (usa la memoria/glosario). La memoria del agente es de corto plazo y se reinicia al reiniciar el proceso.

Arquitectura

Usuario
  |
  v
[Streamlit]  --->  [Agente LangChain + modelo]  --MCP client-->  [MCP de dominio]
  |                                                                  |
  |                                                                  +--> 5 tools propias
  v                                                                  +--> SQLite (glosario + memoria)
Memoria por session_id (InMemorySaver + ventana de 8 mensajes)

• Streamlit (app_streamlit.py): interfaz de chat, muestra respuesta y evidencia.
• Agente (agent_core.py): LangChain + modelo (OpenRouter gratis u OpenAI), memoria.
• MCP (mcp_server.py): expone las 5 tools; el modelo nunca escribe SQL.
• Datos (data_seed.py): crea la base SQLite de ejemplo (glosario + memoria).

Tools MCP (contratos)

Tool	Necesidad que resuelve	Entrada	Salida	Riesgo	Prueba
buscar_termino	Encontrar el término aprobado	texto: str, idioma_origen: str="", limite: int=10	Lista de términos (origen, destino, dominio)	Lectura: bajo	"¿cómo se dice 'invoice'?"
buscar_memoria	Reusar traducciones previas	texto: str, idioma_origen: str, idioma_destino: str, limite: int=5	Frases ya traducidas + calidad	Lectura: bajo	"¿tradujimos algo con 'privacy'?"
alinear_segmentos	Revisar (QA) una traducción	texto_origen: str, texto_destino: str	Alineación oración por oración + similitud	Lectura: bajo	alinear original vs traducción
traducir_multicloud	Traducir enrutando a proveedor	texto: str, idioma_destino: str, proveedor: str="auto"	{proveedor, traduccion, origen}	Lectura (demo): bajo	traducir con 'google'
estadisticas_memoria	Ver cuánta memoria hay	(sin parámetros)	Conteo por par de idiomas y dominio	Lectura: bajo	"¿cuánta memoria tengo?"

Cada tool valida entradas (texto no vacío, rango de limite, proveedor/idioma válidos) y devuelve salida estructurada (JSON). No existe una tool genérica tipo ejecutar_sql.

Memoria

• Se usa session_id como thread_id; cada conversación es independiente.
• Checkpointer InMemorySaver + una ventana de los últimos 8 mensajes.
• Límite: es memoria de corto plazo; se pierde al reiniciar el proceso. Para producción habría que persistirla en una base de datos por usuario.

Instalación local

python -m venv .venv
.venv\Scripts\activate            # Windows  (macOS/Linux: source .venv/bin/activate)
pip install -r requirements.txt
copy .env.example .env            # y completa OPENROUTER_API_KEY (o OPENAI_API_KEY)
streamlit run app_streamlit.py

(También puedes poner la key en .streamlit/secrets.toml — ver secrets.toml.example.)

Pruebas

Pruebas automáticas (sin LLM):

pytest -q

Los 5 escenarios para probar desde la app:

• A. Directa: "¿Cómo se dice 'invoice' en el glosario?" → usa buscar_termino.
• B. Compuesta: "Traduce 'Take one tablet twice a day.' al español y revísala contra el original." → traducir_multicloud + alinear_segmentos.
• C. Con memoria: "Busca el término 'dosage'." y luego "Ahora tradúcelo al español con Azure." → resuelve "lo".
• D. Dato inexistente: "¿Cómo se dice 'xyznoexiste' en el glosario?" → explica que no hay dato, sin inventar.
• E. Fuera de alcance: "¿Qué clima hace en Lima?" → responde "No tengo disponible esa información".

Despliegue (GitHub + Streamlit Community Cloud)

1. GitHub (repo público): crea un repo y sube el contenido de esta carpeta al nivel raíz (app_streamlit.py en la raíz). No subas .env ni secrets.toml.
2. Streamlit Cloud: share.streamlit.io → Create app → elige el repo, rama main, Main file path = app_streamlit.py.
3. Secrets (Settings → Secrets), pega:

   OPENROUTER_API_KEY = "tu_api_key"
   OPENROUTER_MODEL = "nvidia/nemotron-3-ultra-550b-a55b:free"
   

   (o OPENAI_API_KEY + OPENAI_MODEL si prefieres OpenAI).
4. Deploy y prueba los 5 escenarios en la URL pública.

Nota sobre el MCP: por defecto la app arranca el MCP localmente dentro del contenedor (simple, un solo despliegue). Si más adelante publicas el MCP como servicio HTTP aparte, solo agrega el secret MCP_SERVER_URL con su endpoint y la app se conecta ahí sin tocar código.

Modelo

El nombre del modelo va en variable de entorno para poder cambiarlo sin editar el código. Por recomendación del curso se usa OpenRouter (tiene modelos gratis). También funciona con OpenAI definiendo OPENAI_API_KEY y OPENAI_MODEL.

Enlaces

• App (Streamlit): https://agente-traduccion-mcp-awnsobmfcabxmsgf9jptfx.streamlit.app/
• Repositorio (GitHub): https://github.com/cesarreynab/agente-traduccion-mcp