task-69de7223f309a98be0007e09/README.md

Поисковый агент Deep Agents From Scratch

Описание

Реализация поискового агента с нуля на основе паттерна ReAct (Reasoning + Acting). Агент самостоятельно решает задачи: ищет информацию в интернете, создаёт файлы с результатами.

Архитектура

• agent_core.py — ядро агента: цикл рассуждений и действий (ReAct loop)
• tools.py — инструменты: веб-поиск, виртуальная файловая система
• main.py — точка входа, примеры использования

Как работает ReAct

1. LLM получает задачу и список доступных инструментов
2. LLM генерирует Thought (мысль) + Action (действие) + Action Input (параметры)
3. Агент выполняет инструмент, получает Observation (наблюдение)
4. Цикл повторяется до FINAL ANSWER

Установка

pip install -r requirements.txt
cp .env.example .env  # добавь JOURNAL_MCP_PAT

Запуск

python main.py

Пример работы

Task: Найди информацию о LangGraph
Thought: Нужно найти информацию о LangGraph в интернете
Action: web_search
Action Input: LangGraph python framework
Observation: [результаты поиска...]
Thought: Теперь создам файл с найденной информацией
Action: create_virtual_file
Action Input: summary.md | # LangGraph...
FINAL ANSWER: Информация сохранена в summary.md

Переменные окружения

• JOURNAL_MCP_PAT — токен доступа к LLM препода