Добавлен client.py

client.py

@@ -1,120 +1,71 @@
 # client.py
-
 """
-Интерактивный CLI для LangChain‑агента с потоковым выводом.
+Интерактивный CLI для LangChain‑агента, работающего в режиме stream.
-Используем только стек из условия:
-    - langchain.agents.create_agent
-    - langchain.tools.tool
-    - langchain_ollama.ChatOllama
-    - rich.print (rprint)
 """
 
-from langchain.agents import create_agent
+from langchain.agents import create_agent          # обязательный стек
-from langchain.tools import tool
+from langchain.tools import tool                   # обязательный стек
-from langchain_ollama import ChatOllama
+from rich import print as rprint                  # обязательный стек
-from rich import print as rprint
 
 # ------------------------------------------------------------------
-# 1. Определяем LLM‑обёртку – Ollama
+# Определяем простейший инструмент (для демонстрации)
 # ------------------------------------------------------------------
-llm = ChatOllama(model="llama3")          # модель, которую можно заменить
+@tool("echo")
-
+def echo_tool(input: str) -> str:
-# ------------------------------------------------------------------
-# 2. Создаём инструмент get_price
-#    В реальном проекте он бы вызывал подагент или API,
-#    здесь просто возвращаем фиктивную таблицу.
-# ------------------------------------------------------------------
-@tool("get_price", "Получить цену товара в указанном городе")
-def get_price(product: str, city: str) -> str:
     """
-    Возвращает таблицу с ценой продукта в заданном городе.
+    Возвращает введённую строку без изменений.
     """
-    # В реальном коде здесь могла бы быть логика обращения к API
+    return input
-    return f"| Продукт | Цена (руб.) | Магазин |\n| {product}  | 89          | Магнит   |"
+
 
 # ------------------------------------------------------------------
-# 3. Создаём агента, который использует LLM и инструмент get_price
+# Создаём агента с одним инструментом
 # ------------------------------------------------------------------
 agent = create_agent(
-    llm=llm,
+    tools=[echo_tool],          # список доступных инструментов
-    tools=[get_price],
+    verbose=True,               # включаем вывод логов (необязательно)
-    verbose=False,            # будем выводить вручную
 )
 
 # ------------------------------------------------------------------
-# 4. Функции форматирования чанков
+# Основной цикл CLI
 # ------------------------------------------------------------------
-def format_message(message) -> str:
+def main() -> None:
     """
-    Форматируем сообщение для вывода.
+    Запускает бесконечный цикл чтения пользовательского ввода и
-    Если в сообщении есть content – возвращаем его,
+    передаёт его агенту в режиме stream. Ответы печатаются токен за токеном.
-    иначе (tool call) формируем строку вызова инструмента.
     """
-    if message.content:
+    rprint("[bold green]LangChain Stream‑Agent CLI[/bold green]")
-        return message.content
+    rprint("Введите сообщение (Ctrl+C для выхода):")
-    # Предполагаем, что tool_calls содержит один элемент
-    tc = message.tool_calls[0]
-    name = tc["name"]
-    args = tc.get("args", {})
-    return f"{name}({args})"
 
-def format_chunk_message(chunk):
-    """
-    Выводим токен текста в режиме stream.
-    При смене шага выводим разделитель.
-    """
-    global step
-    message, meta = chunk
-    if meta["langgraph_step"] != step:
-        step = meta["langgraph_step"]
-        rprint("\n--- --- ---\n")
-    if message.content:
-        # flush=False – чтобы не добавлять перевод строки после каждого токена
-        print(message.content, end="", flush=True)
-
-# ------------------------------------------------------------------
-# 5. Основной цикл CLI
-# ------------------------------------------------------------------
-def main():
-    """
-    Запускаем интерактивный режим: пользователь вводит запрос,
-    агент отвечает в режиме stream.
-    """
-    rprint("[bold cyan]LangChain Stream‑Agent[/bold cyan]")
-    rprint("Введите ваш вопрос (Ctrl+C для выхода):")
-    while True:
     try:
-            user_input = input("\n> ")
+        while True:
-        except KeyboardInterrupt:
+            # Читаем ввод пользователя
-            rprint("\n[red]Выход из программы.[/red]")
+            user_input = input("> ").strip()
-            break
+            if not user_input:
-
-        if not user_input.strip():
                 continue
 
-        # Запускаем потоковый вывод
+            # Формируем запрос к агенту
             stream = agent.stream(
                 {"messages": [{"role": "human", "content": user_input}]},
                 stream_mode=["messages", "updates"],
             )
 
-        step = 1  # номер текущего шага агента
+            # Перебираем события из потока и выводим их
+            for event in stream:
+                # Событие может быть либо токеном сообщения, либо обновлением состояния
+                if isinstance(event, dict) and "type" in event:
+                    # Обновление (например, вызов инструмента)
+                    rprint(f"[yellow]Update: {event}[/yellow]")
+                else:
+                    # Токен текста
+                    rprint(event, end="", flush=True)
 
-        for chunk in stream:
+            # После завершения потока выводим перевод строки
-            chunk_type, chunk_data = chunk
+            rprint("\n")
 
-            if chunk_type == "messages":
+    except KeyboardInterrupt:
-                format_chunk_message(chunk_data)
+        rprint("\n[bold red]Выход из программы.[/bold red]")
 
-            elif chunk_type == "updates":
-                # При завершении шага выводим итоговое сообщение
-                model_update = chunk_data.get("model")
-                if model_update:
-                    last_msg = model_update["messages"][-1]
-                    rprint("\n" + format_message(last_msg))
-
-        # После завершения потока добавляем перевод строки для следующего запроса
-        print()
 
 if __name__ == "__main__":
     main()