Rewrite: hierarchical AI agent with LangChain + LM Studio

README.md

@@ -0,0 +1,22 @@
+# AI-агент для планирования покупок
+
+Иерархический AI-агент на LangChain + LM Studio.
+
+## Требования
+
+- Python 3.10+
+- LM Studio на localhost:1234
+
+## Запуск
+
+```bash
+pip install -r requirements.txt
+export LM_STUDIO_API_BASE="http://localhost:1234/v1"
+export LM_STUDIO_MODEL="your-model-name"
+python agent.py
+```
+
+## Структура
+
+- `agent.py` — главный агент + инструмент get_price с субагентом
+- `requirements.txt` — зависимости

agent.py

@@ -1,52 +1,95 @@
-#! /bin/python
+"""
-# code: AI agent for shopping list of products with subagent in lamgrain
+AI-агент для планирования списка покупок.
-"
-from langchain_tools 'tools' import tool as tool_descriptor
-from langchain_agents import create_agent as create_agent
 
-from langchain_openai  import ChatOpenAI as ChatOpenAI
+Иерархический агент на LangChain + локальная LLM (LM Studio).
+- Главный агент принимает список продуктов
+- Инструмент get_price использует субагент для получения цен
+- Итоговая таблица с ценами и общей стоимостью
+"""
 
-from pydantic and dataconfig import SecretSt
+import os
+from langchain_core.tools import tool
+from langchain_openai import ChatOpenAI
+from langgraph.prebuilt import create_react_agent
 
-# Set up to local default model
 
-lmmodel = ChatOpenAI(
+# Подключение к LLM через OpenAI-совместимый API (LM Studio)
-    model=\"<name of the model in LM Stubility>",
+llm = ChatOpenAI(
-    base_url=\"http://localhost:1234/v/marks\",
+    model=os.environ.get("LM_STUDIO_MODEL", "local-model"),
-    api_key=SecretSt("fake"),
+    openai_api_base=os.environ.get("LM_STUDIO_API_BASE", "http://localhost:1234/v1"),
-    temperature=0.7,
+    openai_api_key=os.environ.get("LM_STUDIO_API_KEY", "not-needed"),
+    temperature=0,
+)
+
+
+@tool
+def get_price(product: str, city: str) -> str:
+    """Получить цену продукта в указанном городе. Возвращает таблицу с ценами.
+
+    Args:
+        product: Название продукта
+        city: Город для поиска цен
+    """
+    # Субагент для поиска цен
+    sub_agent = create_react_agent(
+        model=llm,
+        tools=[],
+        prompt=(
+            "Ты помощник по поиску цен на продукты. "
+            "Сгенерируй реалистичную цену для указанного продукта в указанном городе. "
+            "Верни результат строго в формате таблицы:\n"
+            "| Продукт | Цена | Магазин |\n"
+            "| {product} | {цена} руб | {магазин} |"
+        ),
     )
 
-@# tools setup is and define a function to log the failture with parser
+    result = sub_agent.invoke({
-@# text is the agent generated by the scripts be marked engaging to we thinks to defait and more."
+        "messages": [{"role": "user", "content": f"Найди цену для: {product} в городе {city}"}]
-@# tools are defining a function that can be served called lower to search price to create random price data for styling or general.
+    })
 
-@# abstract the function method more recipe for details.
+    # Извлекаем ответ из последнего сообщения
+    last_message = result["messages"][-1]
+    return last_message.content if hasattr(last_message, "content") else str(last_message)
 
 
-def get_price(pproduct: string, city: string) -> string:
-    "#" Return the price list in range table for the product.
-    # This function should be called as tool."
-    read directly from came/recetwd information content or some mock data or model initiation."
-    example data = {\
-        \"product\": \"abie\", \"example\": [40, 55, 70]], \"tip\": \"random chinal\\", \"order\": "normal"}
-    return Printing(data)
-
-
-@# subset and call mead support tools exest to them be extracted and understated. Example call with the source detailed and application of example details or the governing process.
-
-sub_agent = create_agent(lmmodel=lmmodel, tools=[get_price], system_prompt=''Investor AGERM. you are log to append data this will define this function and accesse this tool for the system. ')
-sub_agent.tools.asesment (" get_price", get_price)
-
-@# Main agent script
 def main():
-    articles = ['mounter', 'bredd', 'appel']
+    """Главный агент — помощник по планированию покупок."""
-    for product in articles:
-        group = 'function tel {product} - price `- close your bse of the prime_ety' \n\ny user', persent, prime to get_price example, test to produce, and export the finished result."
-    for( product in ariticles):
-        result = sub_agent.invoke('content': {'human': 'Starting to generate a shop for ${}'}\n\ny\", "system_prompt": group)
-      print(result)
-    print("---- forecated post up...")
-     // Should result in the form of table.
 
- import agent from this_payer_ `'
+    # Главный агент с инструментом get_price
+    agent = create_react_agent(
+        model=llm,
+        tools=[get_price],
+        prompt="Ты помощник по планированию покупок. Помоги составить список покупок с ценами.",
+    )
+
+    # Запрос пользователя
+    user_request = "Помоги составить список покупок: молоко, хлеб, яблоки. Я нахожусь в Казани."
+
+    print("=" * 60)
+    print("  Запрос:", user_request)
+    print("=" * 60)
+
+    # Запуск агента с выводом всех промежуточных сообщений
+    result = agent.invoke(
+        {"messages": [{"role": "user", "content": user_request}]},
+    )
+
+    # Вывод всех сообщений (промежуточные вызовы + финальный ответ)
+    print("\n--- Все сообщения ---\n")
+    for i, msg in enumerate(result["messages"]):
+        role = msg.__class__.__name__
+        content = msg.content if hasattr(msg, "content") else str(msg)
+        print(f"[{i}] {role}:")
+        print(f"    {content}")
+        print()
+
+    # Финальный ответ
+    final = result["messages"][-1]
+    print("=" * 60)
+    print("  Финальный ответ:")
+    print("=" * 60)
+    print(final.content if hasattr(final, "content") else str(final))
+
+
+if __name__ == "__main__":
+    main()

requirements.txt

@@ -0,0 +1,3 @@
+langchain>=1.0.0
+langchain-openai>=0.2.0
+langgraph>=0.2.0