LLMchat

Cliente de chat ligero y nativo para APIs OpenAI-compatible, escrito en Rust con egui/eframe. Un solo binario, sin Electron, sin dependencias pesadas. Sin MCPs ni modelos locales: solo se necesita un endpoint OpenAI-compatible.

Características

• 💬 Chat con streaming token a token (respuesta fluida, con botón de detener)
• ⚙️ Configurable para cualquier API OpenAI-compatible (OpenAI, proveedores de terceros, proxies, etc.)
• 📝 Renderizado de Markdown (negritas, código con botón copiar, listas, citas, encabezados)
• 🗂️ Historial de conversaciones persistido en disco
• ✏️ Renombra tus conversaciones (botón ✎ en la tarjeta o en la cabecera)
• 📎 Adjunta archivos al chat: imágenes (con vista previa) + extracción de texto de PDF, EPUB y archivos de texto (TXT/MD/JSON/CSV…)
• 🖥️ Ventana nativa, ligera y rápida

Requisitos

• Rust (toolchain stable con MSVC en Windows)

Compilar y ejecutar

# en modo desarrollo (rápido de compilar, más lento en ejecución)
cargo run

# binario optimizado y pequeño
cargo build --release
./target/release/llmchat.exe   # Windows
./target/release/llmchat       # Linux / macOS

Compilar en Linux

En Linux (o Windows con WSL2) se compila de forma nativa:

# Debian / Ubuntu: dependencias de sistema para la ventana (egui/winit)
sudo apt-get update
sudo apt-get install -y \
  libx11-dev libxrandr-dev libxkbcommon-dev libxkbcommon-x11-dev \
  libwayland-dev libegl1-mesa-dev libgl1-mesa-dev

cargo build --release

El binario de Windows no se puede "convertir" a Linux: hay que compilar en Linux o usando el CI (abajo). WSL2 no está activado por defecto en Windows; habilitarlo requiere la "Plataforma de máquina virtual" y un reinicio.

Binarios automáticos (GitHub Actions)

El repositorio incluye un workflow (.github/workflows/build.yml) que compila de forma nativa y publica binarios para:

• Linux x86_64 (glibc) y x86_64 estático (musl)
• Windows x86_64
• macOS x86_64 y Apple Silicon (aarch64)

Se ejecuta al hacer push, en pull requests y al crear etiquetas v*:

• Cada push a main: los binarios se suben como artefactos y se publica / actualiza automáticamente un Release continuo llamado "Continuous build" en la pestaña Releases.
• Etiqueta v*: se publica un Release estable con los binarios descargables. Para crearlo:

git tag v0.1.0
git push origin v0.1.0

Los artefactos de cada build también quedan en la página Actions del repositorio sin necesidad de crear una etiqueta.

Autoactualización

La app comprueba al arrancar (y desde Ajustes → Actualizaciones) si la última release estable de GitHub es más nueva que la versión instalada. Si hay una versión nueva, pulsa "Descargar e instalar": la app descarga el binario de tu plataforma, se cierra, lo reemplaza y se relanza con la versión actualizada.

Para publicar una actualización que la app detecte, sube una etiqueta v* más alta que la versión actual de Cargo.toml (p. ej. git tag v0.2.0).

Configuración

En la ventana pulsa Ajustes y rellena:

Campo	Descripción	Ejemplo
URL base	Endpoint base OpenAI-compatible	https://api.openai.com/v1
API key	Tu clave de API (se guarda en el archivo de configuración local)	sk-...
Modelo	Nombre del modelo a usar	gpt-4o-mini
Temperatura	0.0 (preciso) – 1.0 (creativo) – 2.0 (máximo)	0.7
Tamaño de letra	Tamaño de la fuente de toda la interfaz (0.75× – 1.5×)	1.0
Prompt de sistema	Instrucciones globales opcionales	Eres un asistente útil

La app añade /chat/completions a la URL base automáticamente (si la URL no lo incluye ya). Envíos con Enter; Shift+Enter para un salto de línea.

Adjuntar archivos

Pulsa el botón 📎 junto al campo del mensaje y selecciona uno o varios archivos:

• Imágenes (PNG, JPG, GIF, WebP, BMP, TIFF): se muestran como vista previa y se envían al modelo en base64 (formato OpenAI multimodal: content: [ {type:text}, {type:image_url, url:data:image/...;base64,...} ]).
• PDF: se extrae el texto y además se extraen las imágenes embebidas (JPEG/DCT y RGB/Gris/CMYK con FlateDecode), que también se envían al modelo.
• EPUB: se extrae el texto y se adjunta como contexto para el modelo.
• Texto (TXT, MD, JSON, CSV, LOG, TOML, YAML): se envía su contenido.
• El texto extraído se añade automáticamente a ese mensaje del usuario; está limitado a los primeros 150 000 caracteres para no saturar el historial.

Multimodal: la app usa el estándar de OpenAI para visión. Necesitarás un modelo que soporte imágenes (por ejemplo gpt-4o, gpt-4o-mini, claude-*, llama-3.2-vision, etc.). Si el modelo no es multimodal, suele responder que no puede ver las imágenes; el texto extraído de PDF/EPUB siempre se envía. Las imágenes se guardan en el historial como data URI base64.

Nota: la API key se guarda en texto plano en el archivo de configuración local (%APPDATA%\llmchat\config.json). No compartas ese archivo.

Estructura

src/
├── main.rs      Punto de entrada (runtime async + eframe)
├── app.rs       Interfaz y estado de la app (egui)
├── api.rs       Cliente HTTP OpenAI-compatible (streaming SSE)
├── markdown.rs  Renderizado de Markdown en egui
├── config.rs    Carga/guardado de configuración y conversaciones
└── types.rs     Tipos de datos (mensajes, conversaciones)