diff --git a/solutions/699cc158d6d3a5544a3ed35b_Stream_режим_AI_агента/stream_agent.py b/solutions/699cc158d6d3a5544a3ed35b_Stream_режим_AI_агента/stream_agent.py
index 433a501..f93b6b2 100644
--- a/solutions/699cc158d6d3a5544a3ed35b_Stream_режим_AI_агента/stream_agent.py
+++ b/solutions/699cc158d6d3a5544a3ed35b_Stream_режим_AI_агента/stream_agent.py
@@ -1,106 +1,46 @@
 import os
-from typing import Dict, Tuple
-
+from langchain_openai import ChatOpenAI
 from langchain_community.tools.tavily_search import TavilySearchResults
-from langchain_core.messages import HumanMessage, AIMessage
-from langgraph.graph import StateGraph
-from langgraph.prebuilt import create_agent_executor
-from langgraph.schema import MessagesState
-from langgraph.utils import format_messages
-from openai import OpenAI
+from langchain_core.messages import HumanMessage
+from langgraph.prebuilt import create_react_agent
 
-# ------------------------------------------------------------------
-# 1. Подключаемся к LLM (OpenAI GPT‑4o-mini)
-# ------------------------------------------------------------------
-client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
-llm = client.chat.completions.create
-
-# ------------------------------------------------------------------
-# 2. Определяем инструмент поиска
-# ------------------------------------------------------------------
+llm = ChatOpenAI(model="gpt-4o-mini")
 search_tool = TavilySearchResults(max_results=3)
+agent = create_react_agent(llm, tools=[search_tool])
 
-# ------------------------------------------------------------------
-# 3. Создаём агент (используем готовый LangGraph‑агент)
-# ------------------------------------------------------------------
-def agent_executor(messages: list[HumanMessage]) -> AIMessage:
-    """Вызов агента с использованием LangGraph."""
-    # Создаём простую схему, где агент может вызвать инструмент поиска
-    graph = StateGraph(MessagesState)
-
-    @graph.node
-    def start(state: MessagesState) -> MessagesState:
-        return state
-
-    @graph.node
-    def tool(state: MessagesState) -> MessagesState:
-        last_msg = state.messages[-1]
-        if isinstance(last_msg, AIMessage) and last_msg.tool_calls:
-            # вызываем инструмент
-            tool_name = last_msg.tool_calls[0]["name"]
-            args = last_msg.tool_calls[0]["args"]
-            result = search_tool.run(args)
-            new_message = AIMessage(content=result)
-            state.messages.append(new_message)
-        return state
-
-    graph.add_edge("start", "tool")
-    graph.set_entry_point("start")
-
-    # Запускаем граф
-    final_state = graph.invoke({"messages": messages})
-    return final_state["messages"][-1]
-
-# ------------------------------------------------------------------
-# 4. Функции форматирования сообщений
-# ------------------------------------------------------------------
-def format_message(message: AIMessage) -> str:
-    """Возвращает строку для печати из сообщения."""
+def format_message(message) -> str:
     if message.content:
         return message.content
-    # Если сообщение содержит вызов инструмента
-    tool_call = message.tool_calls[0]
-    name = tool_call["name"]
-    args = tool_call["args"]
-    return f"{name}({args})"
+    return f"{message.tool_calls[0]['name']}({message.tool_calls[0]['args']})"
 
-def format_chunk_message(chunk: Tuple) -> None:
-    """Обрабатывает чанк типа 'messages'."""
+current_step = 1
+
+def format_chunk_message(chunk):
     global current_step
-    message, meta = chunk  # type: ignore[assignment]
+    message, meta = chunk
     step_num = meta.get("langgraph_step", 0)
     if step_num != current_step:
         current_step = step_num
         print("\n --- --- --- \n")
     if message.content:
-        print(message.content, end="", flush=True)
+        print(message.content, end="", flush=False)
 
-# ------------------------------------------------------------------
-# 5. Запускаем потоковый вывод
-# ------------------------------------------------------------------
 if __name__ == "__main__":
-    # Вводим запрос от пользователя
     user_query = input("Введите ваш вопрос: ")
-
-    # Инициализируем состояние сообщений
     messages = [HumanMessage(content=user_query)]
 
-    # Создаём итератор потока (используем готовый LangGraph executor)
-    stream = create_agent_executor(
-        llm=llm,
-        tools=[search_tool],
-        agent_name="stream_agent",
-        stream_mode=["messages", "updates"],
-    ).stream({"messages": messages})
+    stream = agent.stream(
+        {"messages": messages},
+        stream_mode=["messages", "updates"]
+    )
 
-    current_step = 1
-
-    for chunk_type, chunk_data in stream:
+    for chunk in stream:
+        chunk_type, chunk_data = chunk
         if chunk_type == "messages":
             format_chunk_message(chunk_data)
         elif chunk_type == "updates":
-            # Обрабатываем события обновления (например, завершение шага)
-            if isinstance(chunk_data, dict) and "model" in chunk_data:
+            if chunk_data.get("model", None):
                 last_msg = chunk_data["model"]["messages"][-1]
-                print("\n" + format_message(last_msg))
-    print()  # завершаем вывод новой строкой
\ No newline at end of file
+                print(format_message(last_msg))
+
+    print()
\ No newline at end of file