diff --git a/solutions/699cc158d6d3a5544a3ed35b_Stream_режим_AI_агента/stream_agent.py b/solutions/699cc158d6d3a5544a3ed35b_Stream_режим_AI_агента/stream_agent.py
new file mode 100644
index 0000000..433a501
--- /dev/null
+++ b/solutions/699cc158d6d3a5544a3ed35b_Stream_режим_AI_агента/stream_agent.py
@@ -0,0 +1,106 @@
+import os
+from typing import Dict, Tuple
+
+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
+
+# ------------------------------------------------------------------
+# 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
+# ------------------------------------------------------------------
+search_tool = TavilySearchResults(max_results=3)
+
+# ------------------------------------------------------------------
+# 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."""
+    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})"
+
+def format_chunk_message(chunk: Tuple) -> None:
+    """Обрабатывает чанк типа 'messages'."""
+    global current_step
+    message, meta = chunk  # type: ignore[assignment]
+    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)
+
+# ------------------------------------------------------------------
+# 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})
+
+    current_step = 1
+
+    for chunk_type, chunk_data in stream:
+        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:
+                last_msg = chunk_data["model"]["messages"][-1]
+                print("\n" + format_message(last_msg))
+    print()  # завершаем вывод новой строкой
\ No newline at end of file