Add task1_agent.py

task1_agent.py

@@ -0,0 +1,131 @@
+import random
+from typing import Literal
+
+from langchain.agents import create_agent
+from langchain.tools import tool
+from langchain_openai import ChatOpenAI
+from pydantic import SecretStr
+
+# ---------------------------------------------------------------------------
+# 1. Подключение к локальной модели (LM Studio)
+# ---------------------------------------------------------------------------
+llm = ChatOpenAI(
+    model="<название_модели>",  # замените на имя модели, запущенной в LM Studio
+    base_url="http://localhost:1234/v1",
+    api_key=SecretStr("fake"),
+    temperature=0.7,
+)
+
+# ---------------------------------------------------------------------------
+# 2. Инструмент с суб‑агентом: get_price
+# ---------------------------------------------------------------------------
+@tool
+def get_price(product: str, city: str) -> str:
+    """Возвращает таблицу с примерной ценой продукта в указанном городе.
+
+    Суб‑агент генерирует цену и форматирует её в виде Markdown‑таблицы.
+    """
+
+    # ------------------- суб‑агент -------------------
+    # Простой суб‑агент, использующий тот же LLM, но с более специфическим
+    # промптом, чтобы сгенерировать реалистичную цену.
+    sub_prompt = (
+        f"Ты экономический аналитик. Дай примерную цену продукта '{product}' в городе '{city}'. "
+        "Ответ дай в виде строки цены (число) и названия магазина, без лишних символов. "
+        "Если нет данных – придумай разумную цену в диапазоне 30‑200 рублей."
+    )
+
+    sub_agent = create_agent(
+        model=llm,
+        tools=[],  # суб‑агент не использует внешних инструментов
+        system_prompt=sub_prompt,
+    )
+
+    # Запрос к суб‑агенту
+    sub_answer = sub_agent.invoke({"messages": [{"role": "human", "content": "Цена?"}]})
+    # Получаем текст ответа
+    price_text = sub_answer["messages"][-1]["content"].strip()
+
+    # Пытаемся извлечь число из ответа; если не получится – генерируем случайно
+    try:
+        # ищем первое число в строке
+        import re
+        match = re.search(r"\d+", price_text)
+        price = int(match.group()) if match else random.randint(30, 200)
+    except Exception:
+        price = random.randint(30, 200)
+
+    # Выбираем магазин произвольно
+    stores = ["Магнит", "Пятёрочка", "Перекрёсток", "Ашан", "Дикси"]
+    store = random.choice(stores)
+
+    # Формируем таблицу Markdown
+    table = (
+        "| Продукт | Цена (руб.) | Магазин |\n"
+        "|---------|-------------|---------|\n"
+        f"| {product.capitalize()} | {price} | {store} |"
+    )
+    return table
+
+# ---------------------------------------------------------------------------
+# 3. Главный агент
+# ---------------------------------------------------------------------------
+main_agent = create_agent(
+    model=llm,
+    tools=[get_price],
+    system_prompt="Ты помощник по планированию покупок. Используй инструмент get_price, чтобы узнать цены, и подсчитай итоговую стоимость.",
+)
+
+# ---------------------------------------------------------------------------
+# 4. Утилита для подсчёта итоговой стоимости из полученных таблиц
+# ---------------------------------------------------------------------------
+def parse_price(table: str) -> int:
+    """Извлекает цену из строки таблицы Markdown."""
+    import re
+    match = re.search(r"\|\s*[^|]+\|\s*(\d+)\s*\|", table)
+    return int(match.group(1)) if match else 0
+
+# ---------------------------------------------------------------------------
+# 5. Основная функция: принимает запрос пользователя и выводит цепочку сообщений
+# ---------------------------------------------------------------------------
+def run_shopping_assistant(user_query: str):
+    """Запускает главного агента с пользовательским запросом и выводит все шаги."""
+    # Запускаем агент в режиме stream, чтобы увидеть промежуточные вызовы
+    stream = main_agent.stream({"messages": [{"role": "human", "content": user_query}]},
+                              stream_mode=["messages", "updates"])
+    step = 0
+    for chunk_type, chunk_data in stream:
+        if chunk_type == "messages":
+            message, meta = chunk_data
+            if meta.get("langgraph_step") != step:
+                step = meta.get("langgraph_step")
+                print("\n--- step", step, "---\n")
+            if message.get("content"):
+                print(message["content"], end="")
+        elif chunk_type == "updates":
+            # При завершении шага модели мы получаем полное сообщение
+            if "model" in chunk_data:
+                last_msg = chunk_data["model"]["messages"][-1]
+                if last_msg.get("content"):
+                    print(last_msg["content"], end="")
+                elif last_msg.get("tool_calls"):
+                    # Выводим вызов инструмента
+                    tc = last_msg["tool_calls"][0]
+                    print(f"{tc['name']}({tc['args']})")
+    print("\n\n--- Финальный вывод ---\n")
+    # После завершения получаем полную историю
+    final = main_agent.invoke({"messages": [{"role": "human", "content": user_query}]})
+    # Вычислим итоговую стоимость, если в ответе есть таблицы
+    total = 0
+    for msg in final["messages"]:
+        if msg.get("content") and "|" in msg["content"]:
+            total += parse_price(msg["content"])
+    if total:
+        print(f"Итоговая стоимость: {total} руб.")
+
+# ---------------------------------------------------------------------------
+# 6. Тестовый запуск (можно закомментировать при импортировании)
+# ---------------------------------------------------------------------------
+if __name__ == "__main__":
+    query = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
+    run_shopping_assistant(query)