# Проблемы в коде:

1. **Подключение к LLM** — необходимо заменить localhost на openrouter.ai согласно критическому требованию
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:

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 typing import List
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 создания субагента для получения цены
def create_sub_agent(city: str, product: str):
    """Создает субагента для определения цены продукта"""
    sub_agent = create_agent(
        model=llm,
        tools=[],
        system_prompt=f"""Ты — эксперт по ценам продуктов в городе {city}.
        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

# 3. Инструмент с субагентом
@tool
def get_price(product: str, city: str) -> str:
    """Узнать примерную цену продукта в указанном городе.
    Возвращает таблицу с ценой и магазином."""
    
    sub_agent = create_sub_agent(city, product)
    
    response = sub_agent.invoke({
        "messages": [
            HumanMessage(content=f"Определи цену продукта: {product}")
        ]
    })
    
    result = response['messages'][-1].content
    return result

# 4. Главный агент
main_agent = create_agent(
    model=llm,
    tools=[get_price],
    system_prompt='Ты помощник по планированию покупок. '
                  '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
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)

# 6. Запуск агента
def run_shopping_agent(products: List[str], city: str):
    """Запускает агента с запросом о списках покупок"""
    
    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
if __name__ == "__main__":
    # Пример использования
    products = ["молоко", "хлеб", "яблоки"]
    city = "Казань"
    run_shopping_agent(products, city)

**APPROVED**