SarjAI EV Charging Assistant

⚡ SarjAI - Akıllı Şarj İstasyonu Asistanı

SarjAI, elektrikli araç (EV) kullanıcıları ve saha operasyon ekipleri için geliştirilmiş; Model Context Protocol (MCP) ve Retrieval-Augmented Generation (RAG) mimarisini birleştiren yapay zeka tabanlı bir şarj istasyonu destek asistanıdır.

Uygulama, canlı şarj simülasyonlarını yönetebilir, araç bataryasını soket üzerinden otomatik sorgulayabilir, kilitlenen kabloları serbest bırakabilir ve OCPP kılavuzlarına dayanarak teknik arıza desteği sunar.

🌟 Öne Çıkan Özellikler

Canlı Şarj Oturumu Yönetimi (MCP): Kullanıcıdan pil yüzdesi istemeden soket üzerinden otomatik batarya (SoC) tespiti yapar ve şarj oturumunu başlatır.

Gerçek Zamanlı Durum Takibi: Aktif şarj oturumunun anlık pil yüzdesini, aktarılan kWh miktarını ve geçen süreyi hesaplar.

Acil Kablo/Soket Kilidi Açma: Kilitli kalan şarj kablolarını uzaktan komutla güvenle serbest bırakır.

Teknik Doküman ve Arıza Desteği (RAG): OCPP (Open Charge Point Protocol) kılavuzunu vektör veritabanından tarayarak Faulted veya ConnectorLockFailure gibi teknik hatalara çözüm üretir.

Çoklu Dil ve Doğal Dil Desteği: Kullanıcının girdisine uygun dilde (Türkçe/İngilizce) yanıt verir, karmaşık teknik komutları anlaşılır Markdown formatında sunar.

🏗️ Sistem Mimarisi

Sistem 3 ana katmandan oluşmaktadır:

Ajan & LLM Katmanı (agent.py): LangChain ve OpenRouter altyapısını kullanarak kullanıcı isteklerini analiz eder, uygun aracı (Tool) seçer ve yanıt oluşturur.

MCP Sunucu Katmanı (mcp_server.py): Şarj istasyonu ve araç arasındaki canlı durumları simüle eden FastMCP aracıdır.

RAG Motoru & Vektör Veritabanı (rag_engine.py): PostgreSQL (pgvector) üzerinde saklanan OCPP dokümantasyonu üzerinden benzerlik araması (similarity search) yapar.

🛠️ Teknolojiler ve Kütüphaneler

Dil: Python 3.13+ Arayüz: Streamlit Ajan & RAG Framework: LangChain, LangChain-OpenAI, LangGraph Protokol / Tool Yönetimi: FastMCP (Model Context Protocol) Vektör Veritabanı: PostgreSQL + pgvector Embedding & LLM Provider: OpenRouter API (openai/gpt-4o-mini, text-embedding-3-small)

🚀 Kurulum ve Çalıştırma

1. Ortam Değişkenleri (.env)

Proje kök dizininde bir .env dosyası oluşturun ve aşağıdaki değişkenleri tanımlayın: Kod snippet'i

OPENROUTER_API_KEY=your_openrouter_api_key_here

DATABASE_URL=postgresql://user:password@localhost:5432/your_db_name

2. Vektör Veritabanını Hazırlama

OCPP PDF kılavuzunu veritabanına yüklemek için RAG motorunu bir kez çalıştırın:

python rag_engine.py

3. Uygulamayı Başlatma

Streamlit arayüzünü başlatmak için şu komutu çalıştırın:

streamlit run app.py

💡 Örnek Kullanım Senaryoları

Şarj Başlatma: "TR-IST-01 istasyonu 1. sokette şarjı başlat"

Canlı Rapor: "SESS-TR-IST-01-1 kodlu oturumun canlı durumunu kontrol et"

Kablo Kurtarma: "TR-IST-01 istasyonu 1. soketteki kablo kilitli kaldı, açabilir misin?"

Arıza Sorgulama: "İstasyon ekranında Faulted yazıyor, ne yapmalıyım?"