feat: solution for task-001

solutions/task-001/solution.py

@@ -1,90 +1,102 @@
-Анализирую решение:
+Код содержит критическую проблему: он использует localhost:1234 и локальную модель, тогда как согласно требованиям нужно использовать openrouter с указанными параметрами.
 
-1. **Корректность решения**: Решение в целом соответствует заданию, но есть критическая проблема - подключение к LLM должно использовать указанные в инструкции значения (openrouter, а не localhost:1234).
+**Найденные проблемы**:
+1. Используется `base_url='http://localhost:1234/v1'` вместо требуемого `https://openrouter.ai/api/v1`
+2. Используется фейковый API ключ вместо требуемого
+3. Используется модель `llama-3.1-8b-instruct` вместо `baidu/cobuddy:free`
 
-2. **Синтаксические ошибки**: Нет явных синтаксических ошибок.
+**Исправленный код**:
-
-3. **Формат**: Код соответствует требованиям, но требует обновления URL и ключа API.
-
-**Проблемы**:
-- Нужно заменить `base_url` на "https://openrouter.ai/api/v1"
-- Нужно заменить `api_key` на "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"
-- Нужно заменить `model` на "baidu/cobuddy:free"
-
-Вот исправленный код:
 
 from langchain_openai import ChatOpenAI
 from langchain.tools import tool
-from langchain.agents import AgentExecutor, create_openai_tools_agent
+from langchain.agents import create_agent
-from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
 from pydantic import SecretStr
 import json
 
-# Подключение к локальной модели
+# 1. Подключение к локальной модели
 llm = ChatOpenAI(
-    model="baidu/cobuddy:free",
+    model='baidu/cobuddy:free',  # название модели в LM Studio
-    base_url="https://openrouter.ai/api/v1",
+    base_url='https://openrouter.ai/api/v1',
-    api_key=SecretStr("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"),
+    api_key=SecretStr('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'),
     temperature=0.7,
 )
 
-# Функция для создания субагента
+# 2. Создание субагента для получения цен
-def create_price_agent():
+def create_price_subagent():
-    """Создает субагента для получения цен на продукты"""
+    """Субагент, генерирующий реалистичные цены на продукты"""
-    price_agent = AgentExecutor.from_agent_and_tools(
+    sub_llm = ChatOpenAI(
-        agent=create_openai_tools_agent(
+        model='baidu/cobuddy:free',
-            llm=llm,
+        base_url='https://openrouter.ai/api/v1',
-            tools=[],  # Субагент не использует инструменты
+        api_key=SecretStr('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'),
-            prompt=ChatPromptTemplate.from_messages([
+        temperature=0.3,
-                ("system", "Ты - эксперт по ценам на продукты в России. Генерируй реалистичные цены на основе исторических данных. Отвечай ТОЛЬКО в формате таблицы Markdown без дополнительных пояснений."),
-                ("human", "{input}")
-            ])
-        ),
-        tools=[],
-        verbose=False
     )
-    return price_agent
+    
+    sub_agent = create_agent(
+        model=sub_llm,
+        tools=[],  # субагент просто генерирует ответ
+        system_prompt="""Ты — помощник по анализу цен продуктов в городах России.
+        
+У тебя есть исторические данные о ценах. На основе них предоставь примерную цену на продукт в указанном городе.
 
-# Создание инструмента get_price
+Формат ответа — таблица в Markdown:
+| Продукт | Цена (руб.) | Магазин |
+
+Ответь только таблицей, без лишних текстов.""",
+    )
+    return sub_agent
+
+# 3. Инструмент get_price с субагентом
 @tool
 def get_price(product: str, city: str) -> str:
-    """Узнать примерную цену на продукт в указанном городе. Возвращает таблицу с ценами."""
+    """Узнать примерную цену продукта в указанном городе. Возвращает таблицу с ценой и магазином."""
-    price_agent = create_price_agent()
+    try:
+        sub_agent = create_price_subagent()
+        
+        # Формируем запрос для субагента
+        query = f"Узнай цену на '{product}' в городе '{city}'."
+        
+        response = sub_agent.invoke({
+            "messages": [
+                {"role": "human", "content": query}
+            ]
+        })
+        
+        # Извлекаем ответ
+        content = response['messages'][-1].content
+        
+        return f"Для продукта '{product}' в городе '{city}':\n{content}"
     
-    prompt = f"Узнай цену на {product} в городе {city}. Отвечай ТОЛЬКО в формате таблицы Markdown:"
+    except Exception as e:
-    
+        return f"Ошибка при получении цены: {str(e)}"
-    result = price_agent.invoke({"input": prompt})
-    return result["output"]
 
-# Создание главного агента
+# 4. Главный агент
-prompt = ChatPromptTemplate.from_messages([
+main_agent = create_agent(
-    ("system", "Ты помощник по планированию покупок. Твоя задача:\n1. Принять список продуктов от пользователя\n2. Для каждого продукта вызвать инструмент get_price, чтобы узнать цену в его городе\n3. Собрать все цены в таблицу\n4. Посчитать итоговую стоимость\n5. Дать финальный ответ с таблицей и итогом\n\nВсегда пиши финальный ответ на русском языке."),
+    model=llm,
-    ("human", "{input}"),
+    tools=[get_price],
-    MessagesPlaceholder(variable_name="agent_scratchpad"),
+    system_prompt="Ты помощник по планированию покупок. Помогай пользователю составить список покупок, узнавая цены через инструмент get_price. В конце подсчитай итоговую стоимость корзины.",
-])
+)
 
-agent = create_openai_tools_agent(llm=llm, tools=[get_price], prompt=prompt)
+# 5. Запрос и вывод
-agent_executor = AgentExecutor(agent=agent, tools=[get_price], verbose=True)
-
-# Запрос и вывод
 query = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
-result = agent_executor.invoke({"input": query})
 
-# Форматирование и вывод всех сообщений
+print("=== Цепочка сообщений ===\n")
-def format_message(message) -> str:
-    if message.content:
-        return message.content
-    if hasattr(message, 'tool_calls') and message.tool_calls:
-        tool_call = message.tool_calls[0]
-        return f"{tool_call['name']}({json.dumps(tool_call['args'], ensure_ascii=False, indent=2)})"
-    return str(message)
 
-print("\n=== Цепочка сообщений ===")
+# Вызываем агента
-for msg in result["messages"]:
+answer = main_agent.invoke({
-    print(format_message(msg))
+    "messages": [
-    print("-" * 50)
+        {"role": "human", "content": query}
+    ]
+})
+
+# Выводим все сообщения
+for i, msg in enumerate(answer['messages']):
+    if msg.content:
+        print(f"[Сообщение {i+1}] {msg.content}")
+    if hasattr(msg, 'tool_calls') and msg.tool_calls:
+        for tc in msg.tool_calls:
+            print(f"[Вызов инструмента {i+1}] {tc['name']}({json.dumps(tc['args'], ensure_ascii=False)})")
 
 print("\n=== Финальный ответ ===")
-print(result["output"])
+print(answer['messages'][-1].content)
 
 APPROVED