# llm.chat

Generischer Ollama-kompatibler LLM-Chat-Adapter. Das
Baustein-Modul für jeden Flow, der eine LLM-Einzelantwort
braucht — klassifizieren, Felder extrahieren, umformulieren,
entscheiden — ohne einen eigenen HTTP-Client zu bauen.

## Capability

- `llm.chat@0.1.0`

## Eingaben

| Name             | Typ  | Beschreibung                                                              |
| ---------------- | ---- | ------------------------------------------------------------------------- |
| `prompt`         | text | Der User-Prompt.                                                          |
| `endpoint`       | text | Ollama-förmiger `/api/chat`-URL (z.B. `http://localhost:11434/api/chat`). |
| `model`          | text | Modell-ID (z.B. `qwen2.5:14b`, `llama3.1:8b`).                            |
| `api_key`        | text | Optionaler Bearer-Token für Cloud-Endpunkte.                              |
| `system_prompt`  | text | Optionale System-Nachricht. Leer = Default des Modells.                   |

## Ausgaben

| Name             | Typ  | Beschreibung                                                          |
| ---------------- | ---- | --------------------------------------------------------------------- |
| `response`       | text | Die Antwort des Assistants als Plain-Text.                            |
| `model_endpoint` | text | URL, gegen die die Antwort erzeugt wurde.                             |
| `model_name`     | text | Modell-ID wie an die LLM-API gesendet.                                |
| `model_digest`   | text | SHA-256-Digest des bedienenden Ollama-Modells. Leer bei Cloud-APIs.   |

Zusammen beantworten die drei `model_*`-Ausgaben die Audit-
Frage: „Welches genaue Modell hat diese Antwort erzeugt?" —
diese Spur ist der Grund, warum Flows dieses Modul nutzen statt
eigene HTTP-Calls zu sprechen.

## Berechtigungen

```yaml
permissions:
  - "net: localhost"
  - "net: 127.0.0.1"
  - "net: api.openai.com"
  - "net: api.anthropic.com"
```

Loopback (lokales Ollama) per Default. Cloud-Endpunkte brauchen
einen Operator-Policy-Override in
`~/.fai/config.yaml#security.max_permissions`.

## Warum dieses Modul statt Inline-HTTP

Drei Gründe:

1. **Audit.** Jeder LLM-Aufruf erzeugt `model_endpoint`,
   `model_name`, `model_digest` als separate Ausgaben, die
   im hash-verketteten Audit-Log neben der Response landen.
   Eine Aufsichts-Reproduzierbarkeits-Prüfung vergleicht
   einfach das Digest-Feld mit dem Modell-Snapshot.
2. **Permission-Posture.** Operator:innen sehen `llm.chat`
   in den installierten Modulen + dessen deklarierte
   `net:`-Liste. Ein hausgemachtes HTTP-Modul würde seine
   Endpunkte entweder verstecken oder bei jeder Installation
   eine frische Review-Oberfläche schaffen.
3. **Endpunkt-Portabilität.** Endpunkt + Modell sind Flow-
   Inputs, keine Compile-Time-Konstanten. Derselbe Flow läuft
   in der Entwicklung gegen `localhost:11434` und in Produktion
   gegen ein Inferenz-Cluster — nur die Eingabe wechselt.

## Grenzen in v0.1.0

- Kein Streaming. Die ganze Antwort wird gepuffert, bevor der
  Output-Step feuert.
- Keine Tool-Call- / Function-Call-Oberfläche. Ein Flow, der
  Tool-Use braucht, kombiniert mehrere `llm.chat`-Schritte mit
  Prompt-Engineering oder nutzt MCP via Bridge.
- Cloud-Provider-Adapter für OpenAI und Anthropic kommen erst,
  wenn ein Flow sie braucht. Heute ist das Ollama-Wire-Format
  das einzige Ziel.

## Beispiel-Flow

```yaml
name: classify-incoming
inputs:
  text: text
steps:
  - id: classify
    use: llm.chat@^0
    with:
      prompt: $inputs.text
      system_prompt: |
        Klassifiziere den Text als: question, complaint,
        feedback, spam. Antworte nur mit dem Label.
      endpoint: "http://localhost:11434/api/chat"
      model: "qwen2.5:14b"
outputs:
  category: $classify.response
  audit_model: $classify.model_digest
```

## Build

```bash
cargo build --release --target wasm32-wasip2
# Ausgabe: target/wasm32-wasip2/release/llm_chat.wasm
```