# Планирующий агент – экзаменационный проект

## Описание проекта
В этом репозитории реализован **планировщик задач** на основе LLM (Large Language Model).  
Агент принимает целевое задание и генерирует список шагов, которые необходимо выполнить для достижения цели.  

Ключевые технологии:
- `langgraph` – библиотека для построения графов состояний с использованием LLM.
- `langchain-openai` – обёртка над OpenAI API (можно заменить на `langchain-ollama`, если хотите использовать локальный LLM).

## Структура проекта
```
├── solution.py          # Основной скрипт, реализующий планировщик
└── README.md            # Текущий файл
```

## Установка зависимостей

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

# Установите зависимости из requirements.txt (если есть) или вручную:
pip install langgraph langchain-openai openai  # для OpenAI API
```

> **Важно**  
> Для работы с `ChatOpenAI` необходимо иметь переменную окружения `OPENAI_API_KEY`.  
> ```bash
> export OPENAI_API_KEY="sk-..."
> ```

Если вы хотите использовать Ollama вместо OpenAI, замените импорт и вызов LLM:

```python
from langchain_ollama import ChatOllama

# ...
llm = ChatOllama(model="llama3.1", temperature=0.2)
```

## Запуск скрипта

`solution.py` – это самодостаточный скрипт, который можно запустить напрямую:

```bash
python solution.py
```

При запуске будет предложено ввести цель (goal). После ввода агент сгенерирует список шагов и выведет их на экран.

### Пример запуска

```bash
$ python solution.py
Введите цель: Создать веб‑страницу для портфолио разработчика.
Генерация плана...
Шаги:
1. Составить структуру HTML (header, main, footer).
2. Подобрать цветовую схему и шрифты.
3. Реализовать адаптивный дизайн с CSS Grid/Flexbox.
4. Добавить интерактивные элементы на JavaScript.
5. Оптимизировать загрузку ресурсов и проверить SEO.
```

## Как использовать в другом коде

```python
from solution import plan_steps, PlannerState

state = {"goal": "Написать научную статью по машинному обучению"}
new_state = plan_steps(state)
print(new_state["steps"])
```

## Возможные улучшения

- Добавить сохранение истории планов в файл.
- Интегрировать с `langgraph` для более сложных цепочек действий (например, проверка корректности шагов).
- Подключить к UI (Streamlit/Gradio) для интерактивного взаимодействия.

## Лицензия

MIT © 2026