# Планирующий агент

## Что делает проект

В этом репозитории реализован **LangGraph**‑агент, который:
1. Принимает текст задачи.
2. С помощью LLM разбивает её на 3–6 конкретных шагов (узел *planning*).
3. Выполняет каждый шаг последовательно, собирая результаты (узел *execution*).
4. После завершения всех шагов выдаёт итоговый резюме.

Пример работы:
```
Task: Compare Python and JavaScript
Plan:
1. ...
2. ...
Execution results:
Result of step 1: ...
...
Final summary: ...
```

## Структура файлов
| Файл | Назначение |
|------|------------|
| `main.py` | Точка входа, реализация графа и демонстрация работы |
| `requirements.txt` | Зависимости проекта |
| `README.md` | Описание проекта и инструкции |

## Установка
```bash
pip install -r requirements.txt
```

## Запуск
```bash
python main.py
```

### Примеры задач (внутри скрипта)
1. Сравнение Python и JavaScript.
2. Как создать простое приложение Flask.
3. Шаги развертывания Docker‑изображения Node.js в AWS Elastic Beanstalk.

## Архитектура
- **State** – `PlanningState` хранит текущее состояние: исходную задачу, список шагов, индекс текущего шага и накопленные результаты.
- **Node `planning`** – вызывает LLM с запросом вернуть JSON‑массив шагов. Парсинг гарантирует надёжность.
- **Node `execution`** – берёт следующий шаг из списка, формирует строку результата (в реальном проекте здесь можно вызывать инструменты).
- **Conditional edge `should_continue`** – проверяет, остались ли ещё шаги; если нет – переход в `END`.

## Тесты
В репозитории тестов нет, но скрипт содержит три демонстрационных задачи. Для проверки корректности можно запустить его и убедиться, что вывод соответствует описанию.