# Human‑in‑the‑Loop через Middleware

Пример реализации агента на LangGraph с встроенным `HumanInTheLoopMiddleware`.  
При каждом вызове инструмента агент останавливается и выводит в терминал запрос
на подтверждение (`approve` / `reject`). После ответа пользователь может
продолжить выполнение, а агент продолжит работу.

---

## 📦 Установка зависимостей

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

# Установите необходимые пакеты
pip install langgraph langchain-core langchain-openai openai tqdm
```

> **Важно**  
> Для работы с OpenAI API понадобится переменная окружения `OPENAI_API_KEY`.  
> ```bash
> export OPENAI_API_KEY="sk-..."
> ```

---

## 📁 Структура проекта

```text
.
├── solution.py          # Основной скрипт, реализующий агент
└── README.md            # Текущий файл
```

---

## ▶️ Запуск

### 1. Запустите скрипт из командной строки

```bash
python solution.py
```

> Скрипт автоматически создаст агента, подключит middleware и начнет диалог с пользователем.

### 2. Взаимодействие в терминале

После каждого вызова инструмента вы увидите сообщение вида:

```
⚠️ Инструмент: get_weather
Запрос: "Какая погода в Москве на 2024‑06‑01?"
Нужно подтвердить действие (approve/reject):
```

- Введите `approve` – инструмент будет выполнен и результат вернётся агенту.
- Введите `reject` – вызов инструмента отменяется, агент продолжит работу без него.

---

## 📄 Пример использования

```python
from langgraph.prebuilt import create_react_agent
from langchain.tools import tool
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import Command
from langgraph.moderation import HumanInTheLoopMiddleware

# 1. Определяем инструмент
@tool
def get_weather(city: str, date: str) -> str:
    """Возвращает погоду в городе на указанную дату."""
    return f"Погода в {city} на {date}: солнечно 25°C."

# 2. Создаём агент с middleware
memory = MemorySaver()
agent = create_react_agent(
    tools=[get_weather],
    memory=memory,
    middleware=[HumanInTheLoopMiddleware()],
)

# 3. Запускаем диалог
config = {"thread_id": "session-1"}
state = agent.invoke({"messages": [{"role": "user", "content": "Какая погода в Москве на 2024‑06‑01?"}]}, config=config)
print(state["messages"][-1]["content"])
```

> После запуска вы увидите запрос подтверждения и сможете взаимодействовать с агентом, как описано выше.

---

## 📚 Полезные ссылки

- [Документация LangChain – Human‑in‑the‑Loop](https://docs.langchain.com/oss/python/langchain/human-in-the-loop)
- [LangGraph GitHub репозиторий](https://github.com/run-llama/langgraph)

---

## 🤝 Вклад

Если вы нашли ошибки или хотите добавить новые инструменты, создайте pull request.  
Пожалуйста, придерживайтесь стиля кода из `solution.py` и добавляйте комментарии.

---```