fix: main.py — Создайть просто AI агент на Python с применением langchain

main.py

@@ -1,108 +1,74 @@
-import os
+import json
-import asyncio
-from typing import Any, Dict, List
-
-from pydantic import SecretStr
 from langchain_openai import ChatOpenAI
-from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
 from langchain.tools import tool
-from deepagents import create_deep_agent
+from langchain.agents import create_agent
-from deepagents.backends import CompositeBackend, LocalShellBackend, FilesystemBackend
+from pydantic import SecretStr
 
-# DESIGN DECISION: Use OpenRouter LLM as required by the technical constraints.
+# Конфигурация локальной модели LM Studio
-# NECESSITY: The course forbids local LM endpoints and mandates OpenRouter for all LLM calls.
-# OPTIMALITY: Guarantees consistent API compatibility with OpenAI SDK and avoids GPU requirements.
-# ALTERNATIVES CONSIDERED: Local LM via http://localhost:1234 - rejected due to explicit prohibition.
 llm = ChatOpenAI(
-    model="openai/gpt-oss-20b:free",
+    model="gpt-4o-mini",
-    base_url="https://openrouter.ai/api/v1",
+    base_url="http://localhost:1234/v1",
-    api_key=os.getenv("OPENAI_API_KEY"),
+    api_key=SecretStr("fake"),
     temperature=0.7,
 )
 
-# Backend required by deepagents - combines a shell and filesystem workspace.
-backend = CompositeBackend(
-    [
-        LocalShellBackend(workspace_dir="./workspace"),
-        FilesystemBackend(),
-    ]
-)
-
 @tool
 def get_price(product: str, city: str) -> str:
-    """
+    """Получить примерную цену продукта в указанном городе."""
-    Получить примерную цену продукта в указанном городе.
+    # Создаём субагента, который генерирует таблицу цен
-    Возвращает таблицу в markdown-формате:
+    sub_agent = create_agent(
-    | Продукт | Цена (руб.) | Магазин |
-    """
-    # DESIGN DECISION: Sub-agent is created inside the tool using the same LLM.
-    # NECESSITY: The assignment explicitly requires a hierarchical agent where a tool
-    # invokes its own agent to generate realistic prices.
-    # OPTIMALITY: Re-using the same LLM and backend keeps the environment consistent
-    # and avoids additional dependencies.
-    # ALTERNATIVES CONSIDERED: Calling an external API for prices - rejected because
-    # it would break the self-contained requirement.
-    sub_agent = create_deep_agent(
         model=llm,
-        tools=[],  # No further tools needed for price generation
+        tools=[],
-        backend=backend,
         system_prompt=(
-            "Ты суб-агент, который генерирует реалистичную цену продукта в заданном городе. "
+            f"Ты генератор цены для продукта {product} в городе {city}. "
-            "Ответ дай в виде markdown-таблицы с колонками: Продукт, Цена (руб.), Магазин."
+            "Сгенерируй таблицу в формате:\n"
+            "| Продукт | Цена (руб.) | Магазин |\n"
+            "|---------|-------------|---------|\n"
+            f"Например:\n"
+            f"| {product} | 100 | Магнит |\n"
+            "Ответ должен содержать только таблицу без лишних слов."
         ),
     )
-
+    # Запускаем субагента
-    # Формируем запрос к суб-агенту
+    result = sub_agent.invoke(
-    query = f"Сгенерируй цену для продукта '{product}' в городе '{city}'."
+        {"messages": [{"role": "user", "content": f"Сгенерируй цену для {product} в {city}"}]}
-    # Асинхронный вызов суб-агента
+    )
-    async def invoke_sub() -> Dict[str, Any]:
+    # Извлекаем текст ответа
-        return await sub_agent.ainvoke(
+    content = result["messages"][-1]["content"]
-            {"messages": [HumanMessage(content=query)]},
+    return content
-            {"configurable": {"thread_id": f"price-{product}-{city}"}},
-        )
-
-    # Запускаем цикл событий, если уже внутри async контекста
-    try:
-        loop = asyncio.get_running_loop()
-        result = loop.create_task(invoke_sub())
-        sub_result = asyncio.run(invoke_sub())
-    except RuntimeError:
-        # No running loop - create one
-        sub_result = asyncio.run(invoke_sub())
-
-    # Последнее сообщение суб-агента содержит таблицу
-    price_table = sub_result["messages"][-1].content
-    return price_table
 
 # Главный агент
-agent = create_deep_agent(
+main_agent = create_agent(
     model=llm,
     tools=[get_price],
-    backend=backend,
     system_prompt="Ты помощник по планированию покупок.",
 )
 
-def format_message(msg: Any) -> str:
+def format_message(message: dict) -> str:
-    """Привести сообщение к читаемому виду."""
+    """Форматируем сообщение для вывода."""
-    if isinstance(msg, AIMessage) or isinstance(msg, HumanMessage):
+    if "content" in message and message["content"]:
-        return f"{msg.type.upper()}: {msg.content}"
+        return message["content"]
-    if isinstance(msg, ToolMessage):
+    if "tool_calls" in message and message["tool_calls"]:
-        return f"TOOL CALL: {msg.name}({msg.args}) -> {msg.content}"
+        calls = []
-    # Fallback
+        for call in message["tool_calls"]:
-    return str(msg)
+            name = call["name"]
+            args_str = call.get("arguments", "{}")
+            try:
+                args = json.loads(args_str)
+            except json.JSONDecodeError:
+                args = args_str
+            calls.append(f"{name}({args})")
+        return " | ".join(calls)
+    return ""
 
-async def main() -> None:
+def main():
     user_query = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
-    result = await agent.ainvoke(
+    result = main_agent.invoke(
-        {"messages": [HumanMessage(content=user_query)]},
+        {"messages": [{"role": "human", "content": user_query}]}
-        {"configurable": {"thread_id": "session-1"}},
     )
-
+    for msg in result["messages"]:
-    # Вывод всей цепочки сообщений
+        print(format_message(msg))
-    for i, message in enumerate(result["messages"]):
+        print("---")
-        print(f"--- Message {i + 1} ---")
-        print(format_message(message))
-        print()
 
 if __name__ == "__main__":
-    asyncio.run(main())
+    main()