Добавлен agent.py

agent.py

@@ -0,0 +1,94 @@
+# agent.py
+
+from langchain.agents import create_agent
+from langchain.tools import tool
+from langgraph.checkpoint.memory import MemorySaver
+from langchain_ollama import ChatOllama
+from rich import print as rprint
+
+
+# ---------- Настройка LLM ----------
+llm = ChatOllama(model="llama3")  # используем Ollama, как указано в условии
+
+# ---------- Определение инструмента ----------
+@tool
+def get_price(city: str, date: str) -> str:
+    """
+    Возвращает цену на указанную дату для города.
+    В реальном проекте здесь будет запрос к API или БД.
+    Для демонстрации возвращаем фиктивный результат.
+    """
+    return f"Цена в {city} на {date}: 100₽"
+
+# ---------- Память ----------
+memory = MemorySaver()
+
+# ---------- Создание агента с паузой перед инструментом ----------
+agent = create_agent(
+    model=llm,
+    tools=[get_price],
+    system_prompt="""
+        Ты помощник, который может использовать инструменты.
+        Перед каждым вызовом инструмента агент должен остановиться и дождаться подтверждения пользователя.
+    """,
+    checkpointer=memory,
+    interrupt_before=["tools"],  # пауза перед инструментом
+)
+
+# ---------- Конфигурация разговора ----------
+config = {"configurable": {"thread_id": "разговор-1"}}
+
+
+def ask_and_run(user_input, config):
+    """
+    Обрабатывает вход пользователя и выводит потоковый ответ агента.
+    При необходимости запрашивает подтверждение перед вызовом инструмента.
+    """
+    # Запускаем потоковую генерацию
+    for chunk in agent.stream(
+        user_input,
+        config=config,
+        stream_mode=["messages", "updates"],
+    ):
+        state = agent.get_state(config)
+        chunk_type, chunk_data = chunk
+
+        # Печатаем токены сообщения
+        if chunk_type == "messages":
+            rprint(chunk_data["content"], end="")
+
+        # Печатаем вызовы инструментов (если они уже выполнены)
+        elif chunk_type == "updates" and "tool_calls" in chunk_data:
+            for call in chunk_data["tool_calls"]:
+                name = call["name"]
+                args = call.get("args", {})
+                rprint(f"\n{name}({args})")
+
+        # Обрабатываем паузу перед инструментом
+        if "__interrupt__" in chunk_data and state.next == ("tools",):
+            # Получаем информацию о предстоящем вызове инструмента
+            tool_call = state.values["messages"][-1].tool_calls[0]
+            name = tool_call["name"]
+            args = tool_call.get("args", {})
+            rprint(f"\nАгент хочет вызвать утилиту {name}({args})")
+            answer = input("Разрешить? (Y/n): ")
+
+            if answer.lower().strip() == "y":
+                # Возобновляем работу агента с того места, где остановились
+                ask_and_run(None, config)
+            else:
+                rprint("\nОтменено")
+                break
+
+
+# ---------- Чат‑цикл ----------
+if __name__ == "__main__":
+    while True:
+        user_input = input("\nВы: ")
+        if user_input.lower() in {"exit", "quit"}:
+            break
+
+        ask_and_run(
+            {"messages": [{"role": "human", "content": user_input}]},
+            config,
+        )