# Практическое задание №3 – Память и подтверждение действий

## Описание проекта

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:

- 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

```
.
├── solution.py          # основной скрипт с реализацией агента
└── README.md            # это файл
```

## Установка зависимостей

```bash
# Создайте виртуальное окружение (необязательно, но рекомендуется)
python -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

# Установите все необходимые пакеты
pip install langgraph langchain openai rich
```

> **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.

## Как запустить

```bash
python solution.py
```

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

```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)
```

## Что дальше

- 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.

---

**Автор:** *Ваша команда*  
**Дата:** 27 мая 2026 г.