fix(needs_fixes): 2 исправлений, 0 отстояно — main.py

main.py

@@ -1,47 +1,62 @@
-import os
 import asyncio
 from langchain_openai import ChatOpenAI
+from pydantic import SecretStr
 from langchain.tools import tool
-from langchain.agents import create_agent
+from deepagents import create_deep_agent
+from deepagents.backends import CompositeBackend, LocalShellBackend, FilesystemBackend
 from langchain_core.messages import HumanMessage
 
-# Настройка LLM через OpenRouter
+# 1. Подключение к локальной LLM
 llm = ChatOpenAI(
-    model="openai/gpt-oss-20b:free",
+    model='llama3.1-8b',
-    base_url="https://openrouter.ai/api/v1",
+    base_url='http://localhost:1234/v1',
-    api_key=os.getenv("OPENAI_API_KEY"),
+    api_key=SecretStr('fake'),
     temperature=0.7,
 )
 
-# Инструмент, который вызывает субагент для получения цены
+# 2. Backend для deepagents
+backend = CompositeBackend([
+    LocalShellBackend(workspace_dir='./workspace'),
+    FilesystemBackend(),
+])
+
+# 3. Субагент, генерирующий цену
 @tool
 def get_price(product: str, city: str) -> str:
     """Получить примерную цену продукта в указанном городе.
     Возвращает таблицу в формате Markdown.
     """
-    # Создаём субагент, который генерирует таблицу
+    # Создаём субагент, который просто генерирует реалистичную цену
-    sub_agent = create_agent(
+    sub_agent = create_deep_agent(
         model=llm,
         tools=[],
-        system_prompt=f"Ты эксперт по ценам в {city}.\n\nДай таблицу: | Продукт | Цена (руб.) | Магазин |",  # простая подсказка
+        backend=backend,
+        system_prompt=f"Ты эксперт по ценам в {city}. Дай таблицу с продуктом, ценой и магазином.",
     )
-    # Запускаем субагент с запросом
+    # Запрос к субагенту
-    sub_prompt = f"Какова примерная цена на {product} в {city}?"
+    response = asyncio.run(sub_agent.ainvoke(
-    result = sub_agent.invoke({"messages": [HumanMessage(content=sub_prompt)]})
+        {"messages": [HumanMessage(content=f"Сгенерируй таблицу цены для продукта {product} в городе {city}.")]},
-    # Извлекаем последний текстовый ответ
+        {"configurable": {"thread_id": f"price-{product}-{city}"}},
-    return result["messages"][-1].content
+    ))
+    # Предполагаем, что последний элемент содержит таблицу
+    return response["messages"][-1].content
 
-# Главный агент
+# 4. Главный агент
-agent = create_agent(
+agent = create_deep_agent(
     model=llm,
     tools=[get_price],
-    system_prompt="Ты помощник по планированию покупок.",
+    backend=backend,
+    system_prompt='Ты помощник по планированию покупок.',
 )
 
+# 5. Запуск
 async def main():
     user_query = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
-    result = await agent.ainvoke({"messages": [HumanMessage(content=user_query)]})
+    result = await agent.ainvoke(
-    # Печатаем все сообщения, включая вызовы инструментов
+        {"messages": [HumanMessage(content=user_query)]},
+        {"configurable": {"thread_id": "shopping-session"}},
+    )
+    # Вывод всех сообщений
     for msg in result["messages"]:
         if msg.content:
             print(msg.content)