Практическое задание №3: Память и подтверждение действий: README.md

This commit is contained in:
2026-05-27 14:25:37 +00:00
parent 2dbdc36867
commit 9b21da1d76
@@ -1,102 +1,107 @@
# Практическое задание №3 – Память и подтверждение действий
## Описание проекта
В этом задании вы дорабатываете агента из предыдущих практических работ.
Новые возможности:
* **Память разговора** – агент запоминает все сообщения в рамках одного диалога.
* **Подтверждение перед вызовом инструмента** – пользователь подтверждает каждый запрос к инструменту.
В этом проекте реализован чат‑бот, построенный на **LangGraph** и **OpenAI LLM**, с добавленной памятью диалога и механизмом подтверждения каждого вызова инструмента пользователем.
Бот умеет:
Для красивого вывода используется библиотека `rich`.
- хранить историю общения в памяти (`MemorySaver`);
- прерываться перед каждым использованием внешнего инструмента (пауза `interrupt_before=['tools']`);
- запрашивать у пользователя подтверждение, прежде чем выполнять инструмент.
## Структура проекта
## Структура репозитория
```
project/
├── solution.py # Основной скрипт с реализацией агента
└── README.md # Это файл
.
├── solution.py # основной скрипт с реализацией агента
└── README.md # это файл
```
---
## Установка зависимостей
```bash
# Создайте виртуальное окружение (рекомендуется)
# Создайте виртуальное окружение (необязательно, но рекомендуется)
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# Установите все необходимые пакеты
pip install langchain-openai langgraph rich
pip install langgraph langchain openai rich
```
> **Важно**
> Для работы с `ChatOpenAI` вам понадобится переменная окружения `OPENAI_API_KEY`.
> ```bash
> export OPENAI_API_KEY="sk-..."
> ```
> **Важно** – для работы с OpenAI нужен ключ API.
> Если переменная окружения `OPENAI_API_KEY` не задана, скрипт автоматически создаст «заглушку» LLM, которая возвращает фиктивный ответ.
---
## Запуск проекта
### 1. Откройте терминал и перейдите в корневую папку проекта.
```bash
cd /путь/к/project
```
### 2. Активируйте виртуальное окружение (если не сделали это ранее).
```bash
source .venv/bin/activate # Windows: .venv\Scripts\activate
```
### 3. Запустите скрипт `solution.py`.
## Как запустить
```bash
python solution.py
```
> Скрипт запускает интерактивный диалог с агентом.
> Введите сообщение, после чего агент предложит вам подтвердить вызов инструмента (в данном случае – эхо‑инструмент).
> Нажмите **Y** для подтверждения или **N** для отмены.
После запуска бот будет ждать ввода пользователя в консоли.
Пример взаимодействия:
---
```
User: Привет!
Bot: Здравствуйте! Чем могу помочь?
User: Сколько стоит 1 кг яблок?
Bot (пауза): Вы хотите вызвать инструмент "price_lookup" с аргументами {"item": "яблоки", "quantity_kg": 1}?
(Введите `yes` или `no`)
User: yes
Bot: Цена за 1 кг яблок составляет $3.50.
```
> В реальном запуске бот будет использовать OpenAI GPT‑4o (или другой выбранный LLM) и ваш собственный инструмент, который вы можете добавить в список `tools`.
## Пример использования
```text
$ python solution.py
🤖 Здравствуйте! Чем могу помочь?
User: Какой сегодня день недели?
🤖 (подтверждение) Вы хотите вызвать инструмент echo_tool с аргументом {"message": "Какой сегодня день недели?"}?
Y
✅ Эхо: Какой сегодня день недели?
🤖 Что ещё интересует вас?
```python
from langgraph.prebuilt import create_agent
from langchain.tools import BaseTool
from langgraph.checkpoint.memory import MemorySaver
from rich.console import Console
# 1. Создаём LLM (или заглушку)
llm = ChatOpenAI(temperature=0)
# 2. Определяем инструмент
class EchoTool(BaseTool):
name: str = "echo"
description: str = "Возвращает переданный текст."
def _run(self, text: str) -> str:
return f"Echo: {text}"
tools = [EchoTool()]
# 3. Создаём память
memory = MemorySaver()
# 4. Конфигурируем агента с паузой и подтверждением
agent = create_agent(
model=llm,
tools=tools,
system_prompt="You are a helpful assistant.",
checkpointer=memory, # нужна для памяти и паузы
interrupt_before=['tools'], # остановка перед каждым вызовом инструмента
)
# 5. Запускаем диалог
console = Console()
config = {"configurable": {"thread_id": "demo-thread"}}
for chunk in agent.stream(
{"messages": [{"role": "user", "content": "Привет!"}]},
config=config,
):
console.print(chunk)
```
* `🤖` вывод агента.
* `User:` ваш ввод.
* `✅` – результат работы инструмента после подтверждения.
---
## Как это работает
1. **MemorySaver** сохраняет все сообщения в состоянии графа, позволяя агенту «помнить» историю диалога.
2. Параметр `interrupt_before=['tools']` заставляет агент остановиться перед каждым вызовом инструмента и запросить подтверждение от пользователя.
3. Библиотека `rich` используется для красивого форматирования вывода в консоли.
---
## Что дальше
* Добавьте собственные инструменты (например, поиск в интернете, вычисления и т.д.).
* Измените `system_prompt`, чтобы агент отвечал в нужном стиле.
* Попробуйте запустить несколько диалогов с разными `thread_id` – они будут независимыми.
- Добавьте собственные инструменты (например, поиск в интернете, работа с базой данных и т.д.).
- Настройте более сложный `system_prompt` для конкретных задач.
- Используйте разные `thread_id`, чтобы вести несколько независимых разговоров одновременно.
---
## Поддержка
Если возникли вопросы или проблемы, откройте issue в репозитории.
**Автор:** *Ваша команда*
**Дата:** 27 мая 2026 г.