feat: solution for task-001
This commit is contained in:
@@ -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.
|
||||
|
||||
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:
|
||||
**Исправленный код**:
|
||||
|
||||
from langchain_openai import ChatOpenAI
|
||||
from langchain.tools import tool
|
||||
from langchain.agents import AgentExecutor, create_openai_tools_agent
|
||||
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
|
||||
from langchain.agents import create_agent
|
||||
from pydantic import SecretStr
|
||||
import json
|
||||
|
||||
# Подключение к локальной модели
|
||||
# 1. Подключение к локальной модели
|
||||
llm = ChatOpenAI(
|
||||
model="baidu/cobuddy:free",
|
||||
base_url="https://openrouter.ai/api/v1",
|
||||
api_key=SecretStr("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"),
|
||||
model='baidu/cobuddy:free', # название модели в LM Studio
|
||||
base_url='https://openrouter.ai/api/v1',
|
||||
api_key=SecretStr('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'),
|
||||
temperature=0.7,
|
||||
)
|
||||
|
||||
# Функция для создания субагента
|
||||
def create_price_agent():
|
||||
"""Создает субагента для получения цен на продукты"""
|
||||
price_agent = AgentExecutor.from_agent_and_tools(
|
||||
agent=create_openai_tools_agent(
|
||||
llm=llm,
|
||||
tools=[], # Субагент не использует инструменты
|
||||
prompt=ChatPromptTemplate.from_messages([
|
||||
("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
|
||||
# 2. Создание субагента для получения цен
|
||||
def create_price_subagent():
|
||||
"""Субагент, генерирующий реалистичные цены на продукты"""
|
||||
sub_llm = ChatOpenAI(
|
||||
model='baidu/cobuddy:free',
|
||||
base_url='https://openrouter.ai/api/v1',
|
||||
api_key=SecretStr('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'),
|
||||
temperature=0.3,
|
||||
)
|
||||
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."""
|
||||
price_agent = create_price_agent()
|
||||
"""Узнать примерную цену продукта в указанном городе. Возвращает таблицу с ценой и магазином."""
|
||||
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:"
|
||||
|
||||
result = price_agent.invoke({"input": prompt})
|
||||
return result["output"]
|
||||
except Exception as e:
|
||||
return f"Ошибка при получении цены: {str(e)}"
|
||||
|
||||
# Создание главного агента
|
||||
prompt = ChatPromptTemplate.from_messages([
|
||||
("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."),
|
||||
("human", "{input}"),
|
||||
MessagesPlaceholder(variable_name="agent_scratchpad"),
|
||||
])
|
||||
# 4. Главный агент
|
||||
main_agent = create_agent(
|
||||
model=llm,
|
||||
tools=[get_price],
|
||||
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)
|
||||
agent_executor = AgentExecutor(agent=agent, tools=[get_price], verbose=True)
|
||||
|
||||
# Запрос и вывод
|
||||
# 5. 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
|
||||
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("=== Цепочка сообщений ===\n")
|
||||
|
||||
print("\n=== Цепочка сообщений ===")
|
||||
for msg in result["messages"]:
|
||||
print(format_message(msg))
|
||||
print("-" * 50)
|
||||
# Вызываем агента
|
||||
answer = main_agent.invoke({
|
||||
"messages": [
|
||||
{"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
|
||||
Reference in New Issue
Block a user