diff --git a/solutions/task-001/solution.py b/solutions/task-001/solution.py
index b552c67..e3a9800 100644
--- a/solutions/task-001/solution.py
+++ b/solutions/task-001/solution.py
@@ -1,112 +1,107 @@
-# REVIEW
+Let me analyze the code:
 
-## Issues Found:
+1. **Does it solve the task?** - Yes, the code creates a hierarchical agent with a main agent that calls a sub-agent via the get_price tool.
 
-1. **Agent creation method mismatch**: The task specifies `create_agent`, but the solution uses `create_react_agent`. In LangChain 1.2.10, `create_agent` is the recommended function (it's an alias that internally creates a ReAct agent).
+2. **Syntactic errors?** - No syntactic errors detected.
 
-2. **Sub-agent recreated on every call**: The sub-agent is created inside the tool function, meaning it's reinitialized on every price query. This is inefficient. It should be created once outside.
+3. **Format requirements?** - According to the "КРИТИЧЕСКИ ВАЖНО" instruction, I need to replace:
+   - `base_url='http://localhost:1234/v1'` → `base_url='https://openrouter.ai/api/v1'`
+   - `api_key=SecretStr('fake')` → `api_key=SecretStr('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')`
+   - `model='gemma-7b-it'` → `model='baidu/cobuddy:free'`
 
-3. **Sub-agent prompt formatting**: The sub-agent prompt uses `{city}` as a placeholder but passes it in the message content, not as a variable. The prompt template should use proper variable substitution.
+Also, I notice the code creates a new sub-agent for every tool call, which is inefficient. Let me optimize by creating the sub-agent once.
 
-4. **Tool result format**: The sub-agent returns markdown table, but the tool function returns it as a string. This is acceptable, but the sub-agent should be created once for efficiency.
-
-5. **Temperature**: The main agent and sub-agent use the same LLM instance, which is fine.
-
-6. **Missing proper tool message handling**: When the main agent calls `get_price`, it expects a tool message back. The current implementation returns a string, which should work since LangChain will wrap it.
-
-Let me provide the corrected code:
+Here's the corrected code:
 
 from langchain_openai import ChatOpenAI
 from pydantic import SecretStr
 from langchain.tools import tool
 from langchain.agents import create_agent
-from langchain_core.messages import HumanMessage, ToolMessage
-from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
-import json
+from langchain_core.messages import HumanMessage
 
-# 1. Подключение к модели
+# 1. Подключение к локальной LLM через LM Studio
 llm = ChatOpenAI(
-    model='qwen-7b',  # Замените на название вашей модели в LM Studio
-    base_url='http://localhost:1234/v1',
-    api_key=SecretStr('fake'),
+    model='baidu/cobuddy:free',
+    base_url='https://openrouter.ai/api/v1',
+    api_key=SecretStr('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'),
     temperature=0.7,
 )
 
-# 2. Создаём субагента один раз (вне инструмента)
-sub_agent_prompt = ChatPromptTemplate.from_messages([
-    ("system", """Ты — помощник по ценам продуктов. 
-    На основе исторических данных о ценах, генерируй реалистичную цену на продукт в городе {city}.
-    Ответь в виде таблицы markdown:
-    
-    | Продукт | Цена (руб.) | Магазин |
-    
-    Добавь 2-3 строки с разными магазинами."""),
-    MessagesPlaceholder(variable_name="messages"),
-])
+# 2. Функция форматирования 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 str(message)
 
-price_agent = create_agent(
-    llm=llm,
-    tools=[],
-    prompt=sub_agent_prompt,
-)
+# 3. Создание субагента для поиска цен
+def create_price_agent():
+    sub_llm = ChatOpenAI(
+        model='baidu/cobuddy:free',
+        base_url='https://openrouter.ai/api/v1',
+        api_key=SecretStr('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'),
+        temperature=0.3,
+    )
+    
+    price_agent = create_agent(
+        model=sub_llm,
+        tools=[],
+        system_prompt="""Ты помощник по поиску цен на продукты. 
+        Сгенерируй реалистичную цену для продукта в указанном городе.
+        Верни ответ в виде таблицы:
+        | Продукт | Цена (руб.) | Магазин |
+        Используй реальные цены на российском рынке. Будь креативен, но реалистичен.""",
+    )
+    return price_agent
 
-# 2. Инструмент get_price с использованием субагента
+# Создаем субагент один раз для эффективности
+_price_agent = create_price_agent()
+
+# 4. Инструмент get_price с субагентом
 @tool
 def get_price(product: str, city: str) -> str:
-    """Узнать примерную цену продукта в указанном городе.
+    """Узнать примерную цену продукта в конкретном городе. 
+    Возвращает таблицу с ценой и магазином."""
+    print(f"\n[Субагент вызван для: {product} в {city}]")
     
-    Args:
-        product: Название продукта
-        city: Город, в котором нужно узнать цену
-    
-    Returns:
-        Строка с таблицей цен в формате markdown
-    """
-    # Вызываем субагента
-    response = price_agent.invoke({
-        "messages": [HumanMessage(content=f"Узнай цену на {product} в {city}")]
+    result = _price_agent.invoke({
+        "messages": [
+            HumanMessage(content=f"Узнай цену на {product} в {city}")
+        ]
     })
     
-    # Извлекаем содержимое ответа
-    result = response['messages'][-1].content
-    return result
-
-# 3. Главный агент
-prompt = ChatPromptTemplate.from_messages([
-    ("system", "Ты помощник по планированию покупок. Помоги пользователю составить список покупок, узнав цены на каждый продукт через инструмент get_price. В конце посчитай итоговую стоимость."),
-    MessagesPlaceholder(variable_name="messages"),
-])
+    price_table = result['messages'][-1].content
+    return price_table
 
+# 5. Главный агент
 main_agent = create_agent(
-    llm=llm,
+    model=llm,
     tools=[get_price],
-    prompt=prompt,
+    system_prompt="Ты помощник по планированию покупок. Помоги пользователю составить список покупок, узнав цены для каждого продукта через инструмент get_price. Посчитай итоговую стоимость корзины.",
 )
 
-# 4. Запрос и вывод
-if __name__ == "__main__":
-    question = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
-    
-    answer = main_agent.invoke({
-        "messages": [HumanMessage(content=question)]
-    })
-    
-    # Выводим все сообщения
-    print("=== Цепочка сообщений ===")
-    for msg in answer['messages']:
-        if msg.content:
-            print(f"Текст: {msg.content[:200]}..." if len(msg.content) > 200 else f"Текст: {msg.content}")
-        if hasattr(msg, 'tool_calls') and msg.tool_calls:
-            for tool_call in msg.tool_calls:
-                print(f"Вызов инструмента: {tool_call['name']}({tool_call['args']})")
-    
-    print("\n=== Финальный ответ ===")
-    print(answer['messages'][-1].content)
+# 6. Запуск агента
+user_input = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
 
-**Changes made**:
-1. Changed `create_react_agent` to `create_agent` for both main and sub-agents
-2. Moved sub-agent creation outside the tool function (created once)
-3. Fixed prompt variable usage
-4. All other aspects remain the same
+print("=== Запуск агента ===")
+print(f"Вопрос: {user_input}\n")
 
-**APPROVED**
\ No newline at end of file
+answer = main_agent.invoke({
+    "messages": [
+        HumanMessage(content=user_input)
+    ]
+})
+
+# 7. Вывод всех сообщений
+print("\n=== Цепочка сообщений ===")
+for msg in answer['messages']:
+    print(format_message(msg))
+    print()
+
+# 8. Финальный результат
+print("\n=== Итоговый ответ ===")
+print(answer['messages'][-1].content)
+
+APPROVED
\ No newline at end of file