# -*- coding: utf-8 -*-
"""
Пример агента с Human‑in‑the‑loop, реализованный в LangGraph.
"""

from langchain_openai import ChatOpenAI
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import Command
from langchain.tools import tool

# 1. Модель LLM (пример с OpenAI‑совместимым API)
llm = ChatOpenAI(
    model="gpt-4o-mini",  # замените на нужную модель
    temperature=0.7,
)

# 2. Простой 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."

# 3. Хранилище памяти для чекпоинтера
memory = MemorySaver()

# 4. Создание агента с interrupt_before=["tools"]
agent = create_react_agent(
    tools=[get_weather],
    model=llm,
    system_prompt="Ты полезный ассистент, отвечай точно.",
    checkpointer=memory,
    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,
)

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)