Use Cases

from openai import OpenAI

client = OpenAI(base_url="https://<deine-instanz>-api.localmind.ai/v1", api_key="sk-…")
resp = client.chat.completions.create(
    model="{agent_id}",                       # Agent-UUID aus GET /v1/models
    messages=[{"role": "user", "content": "Fasse den Quartalsbericht zusammen."}],
)
print(resp.choices[0].message.content)

import httpx

client = httpx.Client(
    base_url="https://<deine-instanz>-api.localmind.ai/v1",
    headers={"Authorization": "Bearer sk-…"},
)

# 1) Privaten Space finden
spaces = client.post("/spaces/search", json={}).json()["items"]
space_id = next(s["id"] for s in spaces if s["is_private"])

# 2) Dokument hochladen — die Pipeline läuft automatisch an (parse → chunk → embed)
doc = client.post(
    "/data/upload",
    data={"space_id": space_id},
    files={"file": ("handbuch.pdf", open("handbuch.pdf", "rb"))},
).json()

# 3) Auf Fertigstellung pollen: client.get(f"/data/{doc['id']}")
#    bis processing_state.pipeline_status == "completed"
# 4) Semantisch suchen
hits = client.post(
    "/data/hybrid-search",
    json={"query": "Wie kündige ich?", "space_id": space_id},
).json()["results"]

for hit in hits:
    print(hit["score"], hit["document_name"], hit["text"][:80])

def antwort(verlauf: list[dict], frage: str) -> str:
    verlauf.append({"role": "user", "content": frage})
    resp = client.chat.completions.create(model="{agent_id}", messages=verlauf)
    antwort_text = resp.choices[0].message.content
    verlauf.append({"role": "assistant", "content": antwort_text})  # Verlauf wächst im Client
    return antwort_text

# Pro Nutzer einen eigenen Verlauf halten (z. B. in Ihrem Backend / Cache)
verlauf: list[dict] = []
print(antwort(verlauf, "Welche Öffnungszeiten hat das Bürgeramt?"))
print(antwort(verlauf, "Und am Samstag?"))   # Kontext kommt aus dem mitgesendeten Verlauf

{
  "model": "{agent_id}",
  "messages": [
    { "role": "user", "content": "={{ $json.text }}" }
  ]
}

import httpx

client = httpx.Client(
    base_url="https://<deine-instanz>-api.localmind.ai/v1",
    headers={"Authorization": "Bearer sk-…"},
)

# space_id wie in Rezept B über POST /spaces/search ermitteln

# Ordner anlegen (Root)
folder = client.post(
    "/folders",
    json={"name": "Verträge", "space_id": space_id},
).json()

# Unterordner anlegen — space_id ist auch beim Verschachteln Pflicht
sub = client.post(
    "/folders",
    json={"name": "2026", "parent_folder_id": folder["id"], "space_id": space_id},
).json()

# Inhalte eines Ordners in einem Call browsen
contents = client.get(f"/folders/{folder['id']}/contents").json()
print(contents["sub_folder_count"], contents["document_count"])

curl -X POST "https://<deine-instanz>-api.localmind.ai/v1/chat/completions" \
  -H "Authorization: Bearer sk-…" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "{agent_id}",
    "messages": [
      { "role": "user", "content": "Klassifiziere die folgende Anfrage und begründe kurz: …" }
    ],
    "response_format": { "type": "json_object" }
  }'