diff --git a/solutions/69a86305c46fd26feae6bcaa_Human_in_the_Loop_через_middleware/README.md b/solutions/69a86305c46fd26feae6bcaa_Human_in_the_Loop_через_middleware/README.md
deleted file mode 100644
index a4ef75b..0000000
--- a/solutions/69a86305c46fd26feae6bcaa_Human_in_the_Loop_через_middleware/README.md
+++ /dev/null
@@ -1,161 +0,0 @@
-# Human‑in‑the‑Loop через Middleware  
-
-## Описание  
-В этом проекте реализован агент на базе **LangChain** с встроенным middleware `HumanInTheLoopMiddleware`.  
-При каждом вызове инструмента агент останавливается и выводит в терминал сообщение вида:
-
-```
-> Инструмент: get_weather
-> Запрос: Какая погода сегодня в Москве?
-> Выберите действие: [approve / reject]
-```
-
-Пользователь вводит `approve` или `reject`. После этого выполнение агента возобновляется, а результат инструмента (или отказ) возвращается в цепочку.  
-
-Мiddleware автоматически формирует запрос на подтверждение и обрабатывает ответ через `Command(resume={"decisions": [...]})`.
-
-> **Важно**: для корректной работы паузы нужен чекпоинтер (`MemorySaver`). Без него агент не сможет сохранить состояние между остановками.
-
----
-
-## Структура проекта  
-
-```
-├── agent.py          # Создание агента с HumanInTheLoopMiddleware
-├── run_agent.py      # Запуск интерактивного диалога с пользователем
-└── requirements.txt # Зависимости
-```
-
----
-
-## Установка зависимостей
-
-```bash
-# 1. Клонируйте репозиторий (или скопируйте файлы)
-git clone https://github.com/your-username/human-in-loop-middleware.git
-cd human-in-loop-middleware
-
-# 2. Создайте виртуальное окружение (рекомендовано)
-python -m venv .venv
-source .venv/bin/activate   # Windows: .\.venv\Scripts\activate
-
-# 3. Установите зависимости
-pip install -r requirements.txt
-```
-
-`requirements.txt` содержит:
-
-```text
-langchain==0.*          # актуальная версия LangChain
-langgraph==0.*          # для MemorySaver и middleware
-openai==1.*             # если используете OpenAI LLM
-python-dotenv==1.*      # для загрузки переменных окружения (API‑ключи)
-```
-
-> **Примечание**: Если вы хотите использовать другой LLM, замените `langchain` на нужный пакет и настройте `llm` в `agent.py`.
-
----
-
-## Запуск
-
-### 1. Создание агента (`agent.py`)
-
-```bash
-python agent.py
-```
-
-Файл создаёт объект `agent`, но не запускает диалог. Он нужен для импорта при запуске основного скрипта.
-
-### 2. Интерактивный запуск (`run_agent.py`)
-
-```bash
-python run_agent.py
-```
-
-После запуска вы увидите приглашение:
-
-```
-> Какой вопрос у вас есть? (напишите 'exit' чтобы выйти)
-```
-
-Пример взаимодействия:
-
-```
-> Какую погоду сегодня в Москве?
-> Инструмент: get_weather
-> Запрос: Какая погода сегодня в Москве?
-> Выберите действие: [approve / reject] > approve
-> Погода в Москве сегодня 22°C, ясно.
-```
-
-Если пользователь вводит `reject`, агент сообщает об отказе и предлагает задать другой вопрос.
-
----
-
-## Пример использования
-
-```python
-from langchain.agents import create_agent
-from langchain.agents.middleware import HumanInTheLoopMiddleware
-from langgraph.checkpoint.memory import MemorySaver
-import os
-from dotenv import load_dotenv
-from langchain_openai import ChatOpenAI
-
-load_dotenv()  # загружает переменные из .env (OPENAI_API_KEY)
-
-# Инициализация LLM
-llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)
-
-# Пример инструмента
-def get_weather(location: str) -> str:
-    """Возвращает погоду в указанном месте."""
-    # В реальном проекте здесь будет запрос к API погоды
-    return f"Погода в {location} сегодня 22°C, ясно."
-
-get_weather_tool = {
-    "name": "get_weather",
-    "description": "Получить текущую погоду по местоположению.",
-    "func": get_weather,
-}
-
-memory = MemorySaver()
-
-agent = create_agent(
-    model=llm,
-    tools=[get_weather_tool],
-    system_prompt="Ты полезный ассистент, который может получать погоду.",
-    middleware=[
-        HumanInTheLoopMiddleware(
-            interrupt_on={"get_weather": True},
-            description_prefix="Подтвердите вызов инструмента",
-        ),
-    ],
-    checkpointer=memory,
-)
-
-# Запуск диалога
-while True:
-    user_input = input("> Какой вопрос у вас есть? (exit) ")
-    if user_input.lower() == "exit":
-        break
-    response = agent.invoke({"input": user_input})
-    print(response["output"])
-```
-
----
-
-## Что дальше?
-
-- **Добавить больше инструментов** – просто расширьте список `tools` и настройте `interrupt_on`.
-- **Настроить разрешённые решения** – в `HumanInTheLoopMiddleware` можно указать `allowed_decisions=["approve", "reject"]`, чтобы убрать вариант редактирования.
-- **Сохранить историю** – используйте более продвинутый чекпоинтер (`SQLiteSaver`) для долгосрочного хранения сессий.
-
----
-
-## Ссылки
-
-- [Документация LangChain: Human‑in‑the‑Loop](https://docs.langchain.com/oss/python/langchain/human-in-the-loop)
-- [GitHub репозиторий LangChain](https://github.com/langchain-ai/langchain)
-
----
\ No newline at end of file
diff --git a/solutions/69a86305c46fd26feae6bcaa_Human_in_the_Loop_через_middleware/requirements.txt b/solutions/69a86305c46fd26feae6bcaa_Human_in_the_Loop_через_middleware/requirements.txt
deleted file mode 100644
index 81a4930..0000000
--- a/solutions/69a86305c46fd26feae6bcaa_Human_in_the_Loop_через_middleware/requirements.txt
+++ /dev/null
@@ -1,3 +0,0 @@
-fastapi
-uvicorn
-pydantic
\ No newline at end of file