From b3d6bc9e3770123ce2588ec220aee56f3962fe9d Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?=D0=9A=D0=B8=D1=80=D0=B8=D0=BB=D0=BB=20=D0=9A=D1=83=D1=82?=
 =?UTF-8?q?=D0=BB=D0=B0=D1=85=D0=BC=D0=B5=D1=82=D0=BE=D0=B2?=
 <kirillkutlahmetov10@gmail.com>
Date: Thu, 4 Jun 2026 16:27:42 +0000
Subject: [PATCH] add agent.py

---
 agent.py | 46 ++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 46 insertions(+)
 create mode 100644 agent.py

diff --git a/agent.py b/agent.py
new file mode 100644
index 0000000..2ca1a82
--- /dev/null
+++ b/agent.py
@@ -0,0 +1,46 @@
+"""FAQ‑бот: ChromaDB для конспектов + MCP‑style tool для метаданных курса."""
+import os
+from dotenv import load_dotenv
+from langchain_openai import ChatOpenAI
+from langchain_core.messages import HumanMessage
+from langchain.agents import create_agent
+
+load_dotenv()
+
+from tools import search_course_docs, fetch_course_meta  # noqa: E402
+
+llm = ChatOpenAI(
+    model="openai/gpt-oss-20b:free",
+    base_url="https://platform.brojs.ru/jrnl-bh/api/inference/v1",
+    api_key=os.getenv("JOURNAL_MCP_PAT"),
+    temperature=0.0,
+)
+
+SYSTEM_PROMPT = """Ты — FAQ‑бот курса KFU-26-1 по LangChain/LangGraph.
+
+Доступные инструменты:
+1. search_course_docs — поиск по конспектам курса в ChromaDB (Ollama embeddings)
+   Используй для вопросов о технологиях: LangChain, LangGraph, MCP, агентах, коде
+2. fetch_course_meta — метаданные курса через MCP‑style tool (расписание, дедлайны, контакты, глоссарий)
+   Используй для вопросов о расписании, сроках, контактах преподавателя
+
+Правила маршрутизации:
+- Вопрос про содержание, технологии, концепции → search_course_docs [source: chroma]
+- Вопрос про расписание, дедлайны, контакты, термины → fetch_course_meta [source: mcp_meta]
+- Не вызывай оба инструмента без необходимости — выбери один подходящий
+
+В каждом ответе укажи источник: [source: chroma] или [source: mcp_meta]"""
+
+agent = create_agent(
+    llm=llm,
+    tools=[search_course_docs, fetch_course_meta],
+    system_prompt=SYSTEM_PROMPT,
+)
+
+async def ask(question: str, thread_id: str = "faq-1") -> str:
+    """Задать вопрос агенту и получить ответ."""
+    result = await agent.ainvoke(
+        {"messages": [HumanMessage(content=question)]},
+        {"configurable": {"thread_id": thread_id}},
+    )
+    return result["messages"][-1].content