add main.py

main.py

@@ -0,0 +1,100 @@
+"""Deep research agent: веб-поиск, виртуальные файлы, экспорт на диск.
+
+Основано на курсе deep agents from scratch:
+https://github.com/langchain-ai/deep-agents-from-scratch/blob/main/notebooks/4_full_agent.ipynb
+"""
+from __future__ import annotations
+
+import os
+import sys
+from pathlib import Path
+
+from dotenv import load_dotenv
+from deepagents import create_deep_agent
+from deepagents.backends import LocalShellBackend
+from langchain_openai import ChatOpenAI
+
+from export_tools import DEFAULT_OUTPUT_DIR, WORKSPACE_DIR, export_virtual_files, export_workspace_to_disk
+from web_tools import get_page_content, web_search
+
+load_dotenv()
+
+SYSTEM_PROMPT = """\
+Ты исследовательский deep-агент (стиль deep agents from scratch).
+
+Твоя работа:
+1. Искать информацию в интернете через web_search и при необходимости get_page_content.
+2. Сохранять результаты во ВИРТУАЛЬНЫЕ файлы через write_file (например /research/query.md,
+   /research/summary.md, /research/sources.txt). Не оставляй всё только в чате.
+3. Используй write_todos для плана исследования.
+4. В КОНЦЕ обязательно вызови export_virtual_files с target_dir="./output",
+   чтобы выгрузить виртуальные файлы в реальную файловую систему.
+
+Правила:
+- Один инструмент за шаг, если возможно.
+- В файлах — структурированные заметки: запрос, источники, выводы.
+- Отвечай на русском.
+"""
+
+
+def build_agent():
+    WORKSPACE_DIR.mkdir(parents=True, exist_ok=True)
+    backend = LocalShellBackend(
+        root_dir=str(WORKSPACE_DIR.resolve()),
+        virtual_mode=True,
+        inherit_env=True,
+    )
+    llm = ChatOpenAI(
+        model=os.getenv("OPENAI_MODEL", "openai/gpt-oss-20b:free"),
+        base_url=os.getenv("OPENAI_BASE_URL", "https://openrouter.ai/api/v1"),
+        api_key=os.getenv("OPENAI_API_KEY", "fake"),
+        temperature=0.2,
+    )
+    return create_deep_agent(
+        model=llm,
+        tools=[web_search, get_page_content, export_virtual_files],
+        system_prompt=SYSTEM_PROMPT,
+        backend=backend,
+    )
+
+
+def run_research(query: str) -> None:
+    agent = build_agent()
+    print(f"Запрос: {query}\n")
+    print("Агент работает (поиск → виртуальные файлы → экспорт)...\n")
+
+    result = agent.invoke(
+        {
+            "messages": [
+                {
+                    "role": "human",
+                    "content": (
+                        f"Исследуй тему: {query}. "
+                        "Сохрани заметки в виртуальные файлы и в конце выгрузи их через export_virtual_files."
+                    ),
+                }
+            ]
+        }
+    )
+
+    last = result["messages"][-1]
+    print("\n--- Ответ агента ---")
+    print(getattr(last, "content", last))
+
+    # Гарантированный экспорт, даже если агент не вызвал инструмент
+    exported = export_workspace_to_disk(output_dir=DEFAULT_OUTPUT_DIR)
+    print(f"\n--- Файлы на диске ({DEFAULT_OUTPUT_DIR}) ---")
+    if exported:
+        for path in exported:
+            print(f"  {path}")
+    else:
+        print("  (пусто — агент не создал файлов в agent_workspace)")
+
+
+def main() -> None:
+    query = " ".join(sys.argv[1:]).strip() or "LangGraph deep agents и context engineering"
+    run_research(query)
+
+
+if __name__ == "__main__":
+    main()