feat: solution for task-001

solutions/task-001/solution.py

@@ -1,102 +1,74 @@
-Код содержит критическую проблему: он использует localhost:1234 и локальную модель, тогда как согласно требованиям нужно использовать openrouter с указанными параметрами.
-
-**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`
-
-**Исправленный код**:
-
 from langchain_openai import ChatOpenAI
-from langchain.tools import tool
-from langchain.agents import create_agent
 from pydantic import SecretStr
-import json
+from langchain.agents import create_agent
+from langchain.tools import tool
 
-# 1. Подключение к локальной модели
+# 1. Подключение к модели (используем плейсхолдеры согласно инструкции)
 llm = ChatOpenAI(
-    model='baidu/cobuddy:free',  # название модели в LM Studio
+    model="google/gemma-4-26b-a4b",
-    base_url='https://openrouter.ai/api/v1',
+    base_url="http://192.168.0.120:1234/v1",
-    api_key=SecretStr('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'),
+    api_key=SecretStr("lm-studio"),
     temperature=0.7,
 )
 
-# 2. Создание субагента для получения цен
+# 2. Инструмент с субагентом
-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,
-    )
-    
-    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.
-
-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 продукта в указанном городе. Возвращает таблицу с ценой и магазином."""
+    """Узнает примерную цену на продукт в указанном городе, используя исторические данные."""
-    try:
+    # Создаем субагента для генерации цен
-        sub_agent = create_price_subagent()
+    sub_agent = create_agent(
-        
+        model=llm,
-        # Формируем запрос для субагента
+        tools=[],  # У субагента нет внешних инструментов, он использует свои знания
-        query = f"Узнай цену на '{product}' в городе '{city}'."
+        system_prompt=(
+            f"Ты — эксперт по ценам в городе {city}. "
+            "Твоя задача: придумать реалистичную цену для продукта. "
+            "Верни ответ строго в формате Markdown таблицы: | Продукты | Цена (руб.) | Магазин |"
+        )
+    )
     
+    # Вызываем субагента
     response = sub_agent.invoke({
-            "messages": [
+        "messages": [{"role": "human", "content": f"Придумай цену для продукта: {product}"}]
-                {"role": "human", "content": query}
-            ]
     })
     
-        # Извлекаем ответ
+    # Возвращаем контент последнего сообщения субагента
-        content = response['messages'][-1].content
+    return response["messages"][-1].content
 
-        return f"Для продукта '{product}' в городе '{city}':\n{content}"
+# 3. Главный агент
-    
-    except Exception as e:
-        return f"Ошибка при получении цены: {str(e)}"
-
-# 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.",
+    system_prompt="Ты помощник по планированию покупок. Твоя задача — составить список покупок, "
+                   "используя инструмент get_price для каждого продукта. В конце выведи итоговую стоимость."
 )
 
-# 5. Запрос и вывод
+# 4. Запрос и вывод
-query = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
+def format_message(message) -> str:
+    """Форматирует сообщения агента (текст или вызов инструмента)."""
+    if hasattr(message, 'tool_calls') and message.tool_calls:
+        call = message.tool_calls[0]
+        args_str = ", ".join([f"{k}={v!r}" for k, v in call['args'].items()])
+        return f"{call['name']}({args_str})"
+    if hasattr(message, 'content') and message.content:
+        return message.content
+    return ""
 
-print("=== Цепочка сообщений ===\n")
+def run_shopping_planner():
+    user_query = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
     
-# Вызываем агента
+    print(f"User Query: {user_query}\n")
-answer = main_agent.invoke({
+    print("--- Agent Trace ---")
-    "messages": [
+    
-        {"role": "human", "content": query}
+    # Запуск агента
-    ]
+    result = main_agent.invoke({
+        "messages": [{"role": "human", "content": user_query}]
     })
 
-# Выводим все сообщения
+    # Вывод всех сообщений из истории (промежуточные шаги + финал)
-for i, msg in enumerate(answer['messages']):
+    for msg in result["messages"]:
-    if msg.content:
+        formatted = format_message(msg)
-        print(f"[Сообщение {i+1}] {msg.content}")
+        if formatted:
-    if hasattr(msg, 'tool_calls') and msg.tool_calls:
+            print(formatted)
-        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 ===")
+if __name__ == "__main__":
-print(answer['messages'][-1].content)
+    run_shopping_planner()
-
-APPROVED