diff --git a/solutions/task-002/solution.py b/solutions/task-002/solution.py
index ad94d19..dbf1280 100644
--- a/solutions/task-002/solution.py
+++ b/solutions/task-002/solution.py
@@ -1,124 +1,109 @@
-I see several issues with the solution:
+import questionary
+from typing import TypedDict, List, Any, Optional
+from langgraph.graph import StateGraph, START, END
+from langgraph.checkpoint.memory import InMemorySaver
+from langgraph.types import interrupt, Command
 
-1. **Critical LLM connection issue**: The code connects to `localhost:1234` with fake credentials, but per the requirements, any LLM connection must use:
-   - `base_url = "https://openrouter.ai/api/v1"`
-   - `api_key = "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"`
-   - `model = "baidu/cobuddy:free"`
+# 1. Описание состояния графа
+class GraphState(TypedDict):
+    foo: str
+    human_value: Optional[str]
+    status: str
 
-2. **Model name**: Using `'local-model'` as a placeholder is not valid.
-
-3. **Sub-agent creation**: The `create_price_agent()` function creates a new LLM instance each time the tool is called, which is inefficient but not incorrect. However, it should also use the correct LLM connection.
-
-Here's the corrected code:
-
-from langchain_openai import ChatOpenAI
-from langchain.tools import tool
-from langchain.agents import create_agent, Tool
-from pydantic import SecretStr
-import json
-
-# 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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'),
-    temperature=0.7,
-)
-
-# 2. Функция для создания субагента
-def create_price_agent():
-    """Создает субагент для получения цен на продукты"""
-    price_llm = ChatOpenAI(
-        model='baidu/cobuddy:free',
-        base_url='https://openrouter.ai/api/v1',
-        api_key=SecretStr('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'),
-        temperature=0.3,
-    )
-    
-    # Системный промпт для субагента
-    system_prompt = """Ты - эксперт по ценам на продукты в России. 
-Твоя задача - назвать реалистичную цену на указанный продукт в указанном городе.
-Отвечай ТОЛЬКО в формате таблицы Markdown:
-| Продукт | Цена (руб.) | Магазин |
-Не добавляй лишнего текста."""
-
-    price_agent = create_agent(
-        model=price_llm,
-        tools=[],
-        system_prompt=system_prompt,
-    )
-    return price_agent
-
-# 3. Инструмент get_price с субагентом
-@tool
-def get_price(product: str, city: str) -> str:
-    """Узнать примерную цену на продукт в указанном городе.
-    
-    Args:
-        product: Название продукта
-        city: Город, в котором ищем цену
+# 2. Узел с прерыванием
+def human_approval_node(state: GraphState) -> GraphState:
     """
-    print(f"get_price({{'product': '{product}', 'city': '{city}'}})")
+    Узел, который ставит выполнение на паузу и ждет ответа пользователя.
+    При вызове interrupt() граф останавливается. 
+    Когда вызывается Command(resume=...), значение из resume попадает в результат interrupt().
+    """
+    # Формируем payload для прерывания
+    interrupt_payload = {
+        "type": "confirm",
+        "question": "Уверены, что хотите продолжить?",
+        "options": ["approve", "reject"]
+    }
     
-    # Создаем субагента
-    price_agent = create_price_agent()
+    # Вызываем interrupt. 
+    # Если граф возобновлен через Command(resume=...), 
+    # переменная 'user_response' получит значение из resume.
+    user_response = interrupt(interrupt_payload)
     
-    # Формируем запрос
-    query = f"Узнай цену на {product} в {city}. Отвечай в таблице Markdown."
+    # Возвращаем обновленное состояние
+    return {
+        "human_value": user_response,
+        "status": "completed"
+    }
+
+# 3. Сборка графа
+def create_graph():
+    workflow = StateGraph(GraphState)
     
-    # Вызываем субагента
-    result = price_agent.invoke({
-        "messages": [
-            {"role": "human", "content": query}
-        ]
-    })
+    workflow.add_node("approval_node", human_approval_node)
+    workflow.add_edge(START, "approval_node")
+    workflow.add_edge("approval_node", END)
     
-    # Извлекаем ответ
-    response_content = result['messages'][-1].content
+    # Используем InMemorySaver для поддержки чекпоинтов (необходим для прерываний)
+    memory = InMemorySaver()
+    return workflow.compile(checkpointer=memory)
+
+def run_workflow():
+    graph = create_graph()
+    config = {"configurable": {"thread_id": "123"}}
+    initial_state = {"foo": "initial_data", "human_value": None, "status": "running"}
+
+    # Запуск графа
+    print("--- Starting Graph Execution ---")
     
-    return response_content
+    # Первый запуск (до прерывания)
+    # Используем stream_mode="updates" или "values". 
+    # При interrupt в потоке появится специальный элемент.
+    events = graph.stream(initial_command_or_state(initial_state), config, stream_mode="updates")
+    
+    final_state = None
+    
+    # Итерируемся по событиям
+    for event in events:
+        # Проверяем наличие прерывания в потоке через ключ __interrupt__
+        if "__interrupt__" in event:
+            # Извлекаем payload из прерывания
+            # В LangGraph interrupt создает элемент в списке interrupts задачи
+            interrupt_info = event["__interrupt__"][0].value
+            
+            print("\n--- Interrupt Detected ---")
+            print(interrupt_info)
+            print(f"!!! {interrupt_info['type'].upper()} !!!")
+            
+            # 4. Сбор ответа пользователя через questionary
+            user_choice = questionary.select(
+                interrupt_info["question"],
+                choices=interrupt_info["options"]
+            ).ask()
+            
+            print(f"> Received an input from the interrupt: {user_choice}")
+            
+            # 5. Возобновление графа через Command(resume=...)
+            # Передаем выбранный ответ обратно в граф
+            resume_events = graph.stream(
+                Command(resume=user_choice),
+                config,
+                stream_mode="updates"
+            )
+            
+            for resume_event in resume_events:
+                final_state = resume_event
+        else:
+            # Обычное обновление узлов
+            final_state = event
 
-# 4. Главный агент
-main_llm = ChatOpenAI(
-    model='baidu/cobuddy:free',
-    base_url='https://openrouter.ai/api/v1',
-    api_key=SecretStr('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'),
-    temperature=0.7,
-)
+    # Вывод итогового состояния (из последнего события или snapshot)
+    print("\n--- Final State ---")
+    snapshot = graph.get_state(config)
+    print(snapshot.values)
 
-main_agent = create_agent(
-    model=main_llm,
-    tools=[get_price],
-    system_prompt='Ты помощник по планированию покупок. Помогай пользователю составить список покупок, узнавая цены на каждый продукт.',
-)
+def initial_command_or_state(initial_state):
+    """Вспомогательная функция для корректного старта."""
+    return initial_state
 
-# 5. Запрос и вывод
-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'])})"
-    return str(message)
-
-# Задаем вопрос
-query = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
-
-print(f"\nЗапрос: {query}\n")
-
-# Вызываем агента
-answer = main_agent.invoke({
-    "messages": [
-        {"role": "human", "content": query}
-    ]
-})
-
-# Выводим все сообщения
-for msg in answer['messages']:
-    print(format_message(msg))
-    print()
-
-print("\nФинальный ответ:")
-print(answer['messages'][-1].content)
-
-APPROVED
\ No newline at end of file
+if __name__ == "__main__":
+    run_workflow()
\ No newline at end of file