# Планирующий агент (LangGraph)

**Экзаменационное практическое задание** – собрать LangGraph‑агента с отдельным этапом планирования.  
Сначала LLM разбивает задачу на шаги, затем выполняет их по очереди и выдаёт итоговый ответ.

---

## 📖 Описание

* **Язык**: Python 3.10+  
* **Библиотеки**:
  * `langgraph` – граф с прерываниями и чекпоинтером
  * `langchain` + `langchain-openai` – вызов LLM
  * `questionary` – интерактивный ввод в консоли

> **Важно**: проект рассчитан на использование модели OpenAI.  
> Если вы хотите использовать другую модель, настройте `ChatOpenAI` в `solution.py`.

---

## ⚙️ Установка

```bash
# Клонируйте репозиторий
git clone https://github.com/your-username/planning-agent.git
cd planning-agent

# Создайте виртуальное окружение (рекомендуется)
python -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

# Установите зависимости
pip install langgraph langchain langchain-openai questionary
```

> **API‑ключ**  
> Установите переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI:

```bash
export OPENAI_API_KEY="sk-..."
```

---

## 🚀 Запуск

```bash
python solution.py
```

### Что происходит

1. **Ввод задачи** – пользователь вводит задачу, которую нужно решить.  
2. **Планирование** – LLM генерирует список шагов (`plan`).  
3. **Выполнение** – каждый шаг выполняется последовательно, пользователь может просматривать результаты.  
4. **Итог** – после выполнения всех шагов выводится финальный ответ.

---

## 📄 Пример использования

```text
$ python solution.py
Введите задачу: Напиши план по изучению Python за 3 месяца

План:
1. Изучить основы синтаксиса
2. Практиковаться с проектами
3. Изучить продвинутые темы
4. Пройти сертификацию

Выберите шаг для выполнения (1-4): 1
Результат шага 1: ...
Выберите шаг для выполнения (1-4): 2
Результат шага 2: ...
...

Итоговый ответ:
...
```

---

## 📂 Структура проекта

```
.
├── solution.py          # Основной скрипт
├── README.md            # Это файл
└── requirements.txt     # (опционально) список зависимостей
```

---

## 🔧 Настройка

* **Параметры модели** – можно изменить в `solution.py` (например, `temperature`, `max_tokens`).  
* **Чекпоинтер** – по умолчанию используется `SqliteSaver`. Путь к базе можно задать через `SqliteSaver.from_conn_str("sqlite:///graph_state.db")`.  
* **Интерактивность** – `questionary` обеспечивает простое меню выбора. Если нужно убрать интерактивность, замените `select` и `text` на обычный `input()`.

---

## 📜 Лицензия

MIT © 2026

---```