feat: solution for task-001

solutions/task-001/solution.py

@@ -1,117 +1,90 @@
-# Проблемы в коде:
+Анализирую решение:
 
-1. **Подключение к LLM** — необходимо заменить localhost на openrouter.ai согласно критическому требованию
+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).
-2. **Модель** — необходимо указать конкретную модель `baidu/cobuddy:free`
-3. **API ключ** — должен быть реальный ключ из инструкции
-4. **Конструкция субагента** — создание агента внутри инструмента с `@tool` декоратором может вызвать проблемы с областью видимости. Лучше создать субагента отдельно
-5. **Формат вывода** — код выводит все сообщения, но не форматирует промежуточные результаты в таблицу
 
-Исправленный код:
+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:
 
 from langchain_openai import ChatOpenAI
-from pydantic import SecretStr
 from langchain.tools import tool
-from langchain.agents import create_agent
+from langchain.agents import AgentExecutor, create_openai_tools_agent
-from langchain_core.messages import HumanMessage, ToolMessage
+from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
-from typing import List
+from pydantic import SecretStr
 import json
 
-# 1. Подключение к локальной модели
+# Подключение к локальной модели
 llm = ChatOpenAI(
-    model='baidu/cobuddy:free',
+    model="baidu/cobuddy:free",
-    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,
 )
 
-# 2. Функция создания субагента для получения цены
+# Функция для создания субагента
-def create_sub_agent(city: str, product: str):
+def create_price_agent():
-    """Создает субагента для определения цены продукта"""
+    """Создает субагента для получения цен на продукты"""
-    sub_agent = create_agent(
+    price_agent = AgentExecutor.from_agent_and_tools(
-        model=llm,
+        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=[],
-        system_prompt=f"""Ты — эксперт по ценам продуктов в городе {city}.
+        verbose=False
-        На основе твоих знаний генерируй реалистичную цену для продукта "{product}".
-        Возвращает ответ в виде таблицы:
-        | Продукт | Цена (руб.) | Магазин |
-        Например:
-        | Молоко | 89 | Магнит |
-        
-        Учитывай, что цены могут быть примерными и варьироваться."""
     )
-    return sub_agent
+    return price_agent
 
-# 3. Инструмент с субагентом
+# Создание инструмента get_price
 @tool
 def get_price(product: str, city: str) -> str:
-    """Узнать примерную цену продукта в указанном городе.
+    """Узнать примерную цену на продукт в указанном городе. Возвращает таблицу с ценами."""
-    Возвращает таблицу с ценой и магазином."""
+    price_agent = create_price_agent()
     
-    sub_agent = create_sub_agent(city, product)
+    prompt = f"Узнай цену на {product} в городе {city}. Отвечай ТОЛЬКО в формате таблицы Markdown:"
     
-    response = sub_agent.invoke({
+    result = price_agent.invoke({"input": prompt})
-        "messages": [
+    return result["output"]
-            HumanMessage(content=f"Определи цену продукта: {product}")
-        ]
-    })
-    
-    result = response['messages'][-1].content
-    return result
 
-# 4. Главный агент
+# Создание главного агента
-main_agent = create_agent(
+prompt = ChatPromptTemplate.from_messages([
-    model=llm,
+    ("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."),
-    tools=[get_price],
+    ("human", "{input}"),
-    system_prompt='Ты помощник по планированию покупок. '
+    MessagesPlaceholder(variable_name="agent_scratchpad"),
-                  'Твоя задача — помочь пользователю составить список покупок, '
+])
-                  'узнать цены на каждый продукт через инструмент get_price, '
-                  'и посчитать итоговую стоимость. '
-                  'Отвечай на русском языке.'
-)
 
-# 5. Функция форматирования сообщений
+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
+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']}({tool_call['args']})"
+        return f"{tool_call['name']}({json.dumps(tool_call['args'], ensure_ascii=False, indent=2)})"
     return str(message)
 
-# 6. Запуск агента
+print("\n=== Цепочка сообщений ===")
-def run_shopping_agent(products: List[str], city: str):
+for msg in result["messages"]:
-    """Запускает агента с запросом о списках покупок"""
+    print(format_message(msg))
-    
+    print("-" * 50)
-    query = f"Помоги составить список покупок: {', '.join(products)}. Я нахожусь в {city}."
-    
-    print(f"Запрос: {query}\n")
-    print("Цепочка вызовов:\n")
-    
-    # Вызываем агента
-    response = main_agent.invoke({
-        "messages": [
-            HumanMessage(content=query)
-        ]
-    })
-    
-    # Выводим все сообщения
-    messages = response['messages']
-    for msg in messages:
-        formatted = format_message(msg)
-        print(formatted)
-        print()
-    
-    # Финальный ответ
-    final_response = messages[-1].content
-    print("\n" + "="*50)
-    print("Финальный ответ агента:")
-    print(final_response)
 
-# Запуск
+print("\n=== Финальный ответ ===")
-if __name__ == "__main__":
+print(result["output"])
-    # Пример использования
-    products = ["молоко", "хлеб", "яблоки"]
-    city = "Казань"
-    run_shopping_agent(products, city)
 
-**APPROVED**
+APPROVED