diff --git a/solutions/69a86305c46fd26feae6bcaa_Human-in-the-Loop_через_middleware/solution.py b/solutions/69a86305c46fd26feae6bcaa_Human-in-the-Loop_через_middleware/solution.py
index 86daec2..7060e96 100644
--- a/solutions/69a86305c46fd26feae6bcaa_Human-in-the-Loop_через_middleware/solution.py
+++ b/solutions/69a86305c46fd26feae6bcaa_Human-in-the-Loop_через_middleware/solution.py
@@ -1,3 +1,4 @@
+# solution.py
 # -*- coding: utf-8 -*-
 """
 Пример агента с Human‑in‑the‑loop, реализованный в LangGraph.
@@ -8,6 +9,8 @@ from langgraph.prebuilt import create_react_agent
 from langgraph.checkpoint.memory import MemorySaver
 from langgraph.types import Command
 from langchain.tools import tool
+from langchain_core.messages import ToolMessage
+
 
 # 1. Модель LLM (пример с OpenAI‑совместимым API)
 llm = ChatOpenAI(
@@ -33,32 +36,41 @@ agent = create_react_agent(
     interrupt_before=["tools"],  # включаем human‑in‑the‑loop
 )
 
-# 5. Запуск и цикл обработки прерываний
-config = {"configurable": {"thread_id": "session-1"}}
-result = agent.invoke(
-    {"messages": [{"role": "human", "content": "Какая погода в Казани сегодня?"}]},
-    config=config,
-)
+# 5. Основная логика взаимодействия
+def main() -> None:
+    config = {"configurable": {"thread_id": "session-1"}}
+    while True:
+        user_input = input("Вы: ")
+        if user_input.lower() in {"выход", "exit", "quit"}:
+            print("Завершение работы.")
+            break
+        # первый вызов агента
+        result = agent.invoke(
+            {"messages": [{"role": "human", "content": user_input}]},
+            config=config,
+        )
+        # цикл обработки прерываний
+        while "__interrupt__" in result:
+            last_msg = result["messages"][-1]
+            tool_call = last_msg.tool_calls[0]  # один вызов инструмента
+            name = tool_call["name"]
+            args = tool_call["args"]
+            print(f"\nИнструмент: {name}")
+            print(f"Аргументы: {args}")
+            choice = input("a=approve, r=reject: ").strip().lower()
+            if choice == "r":
+                reason = input("Причина отказа: ")
+                # передаем ToolMessage как результат вызова инструмента
+                result = agent.invoke(
+                    {"messages": [ToolMessage(content=reason, tool_call_id=tool_call["id"])]},
+                    config=config,
+                )
+            else:
+                # approve – просто возобновляем без сообщения
+                result = agent.invoke(Command(resume=None), config=config)
+        # вывод финального ответа агента
+        final_answer = result["messages"][-1].content
+        print("\nОтвет агента:\n", final_answer)
 
-while "__interrupt__" in result:
-    # Последнее сообщение содержит вызов инструмента
-    last_msg = result["messages"][-1]
-    tool_call = last_msg.tool_calls[0]  # предполагаем один вызов
-    name = tool_call["name"]
-    args = tool_call.get("args", {})
-    print(f"\nИнструмент: {name}")
-    print(f"Аргументы: {args}")
-
-    choice = input("a=approve, r=reject: ").strip().lower()
-    if choice == "r":
-        msg = input("Причина отказа: ")
-        decisions = [{"type": "reject", "message": msg}]
-    else:
-        decisions = [{"type": "approve"}]
-
-    # Возобновляем выполнение
-    result = agent.invoke(Command(resume=decisions), config=config)
-
-# 6. Финальный ответ
-final_answer = result["messages"][-1].content
-print("\nОтвет агента:\n", final_answer)
\ No newline at end of file
+if __name__ == "__main__":
+    main()
\ No newline at end of file