Переделываю систему под агента-планировщика

agent/__init__.py

@@ -1,4 +1,5 @@
 from .developer import DeveloperAgent
 from .reviewer import ReviewerAgent
+from .planner import PlannerAgent
 
-__all__ = ["DeveloperAgent", "ReviewerAgent"]
+__all__ = ["DeveloperAgent", "ReviewerAgent", "PlannerAgent"]

agent/executor.py

@@ -0,0 +1,37 @@
+# executor.py
+from langchain.agents import AgentExecutor, create_tool_calling_agent
+from langchain_ollama import ChatOllama
+from langchain_core.prompts import ChatPromptTemplate
+
+class ToolExecutor:
+    def __init__(self, tools):
+        self.tools = tools
+        self.llm = llm or ChatOllama(
+            model=MODEL_NAME, 
+            temperature=0.0
+        )
+        self.agent = self._create_agent()
+
+    def _create_agent(self):
+        prompt = ChatPromptTemplate.from_messages([
+            ("system", "Ты - исполнитель. У тебя есть доступ к инструментам. Выполняй шаги плана последовательно."),
+            ("human", "{input}"),
+            ("placeholder", "{agent_scratchpad}")
+        ])
+        agent = create_tool_calling_agent(self.llm, self.tools, prompt)
+        return AgentExecutor(agent=agent, tools=self.tools, verbose=True)
+
+    def execute_plan(self, plan: List[Dict]) -> List[Dict]:
+        results = []
+        for step in plan:
+            tool_name = step["tool"]
+            args = step["args"]
+            # Превращаем шаг в текстовую команду для агента
+            command = f"Вызови инструмент {tool_name} с аргументами {args}"
+            result = self.agent.invoke({"input": command})
+            results.append({
+                "step": step,
+                "output": result["output"],
+                "success": True  # можно анализировать ошибки
+            })
+        return results

agent/plan_reviewer.py

@@ -0,0 +1,26 @@
+# reviewer.py
+from langchain_ollama import ChatOllama
+from langchain_core.messages import SystemMessage, HumanMessage
+
+class PlanReviewerAgent:
+    def __init__(self, llm=None):
+        self.llm = llm or ChatOllama(
+            model=MODEL_NAME, 
+            temperature=0.0
+        )
+
+    def review(self, original_task: str, plan: List[Dict], execution_results: List[Dict]) -> dict:
+        system_prompt = """Ты - ревьювер. Оцени, достигнута ли цель задачи на основе выполненного плана.
+Верни JSON с полями:
+  - "status": "approved" / "changes_requested" / "rejected"
+  - "feedback": пояснение
+  - "suggested_plan_correction": если нужно изменить план - предложи новый план (массив шагов)
+"""
+        user_prompt = f"""
+Задача: {original_task}
+План: {json.dumps(plan, indent=2)}
+Результаты выполнения: {json.dumps(execution_results, indent=2)}
+Оцени результат.
+"""
+        response = self.llm.invoke([SystemMessage(content=system_prompt), HumanMessage(content=user_prompt)])
+        return json.loads(response.content)

agent/planner.py

@@ -0,0 +1,40 @@
+# planner.py
+from langchain_ollama import ChatOllama
+from langchain_core.messages import SystemMessage, HumanMessage
+import json
+from typing import List, Dict
+from config import MODEL_NAME
+
+class PlannerAgent:
+    def __init__(self, llm=None):
+        self.llm = llm or ChatOllama(
+            model=MODEL_NAME, 
+            temperature=0.0
+        )
+
+    def create_plan(self, task: str, tools_description: List[Dict]) -> List[Dict]:
+        system_prompt = """Ты - планировщик. Твоя задача - разбить запрос пользователя на последовательность шагов.
+Каждый шаг - это вызов одного из доступных инструментов с конкретными аргументами.
+Верни JSON массив шагов, где каждый шаг содержит:
+  - "tool": имя инструмента (строго из списка)
+  - "args": словарь аргументов для этого инструмента
+  - "description": краткое пояснение, зачем этот шаг
+
+Инструменты и их аргументы:
+{tools_description}
+
+План должен быть линейным (шаг за шагом). Если нужны условия или циклы - разворачивай их в последовательность.
+После выполнения всех шагов задача должна быть решена.
+Верни ТОЛЬКО JSON массив, без лишнего текста."""
+
+        user_prompt = f"Задача: {task}"
+        tools_str = json.dumps(tools_description, indent=2)
+
+        messages = [
+            SystemMessage(content=system_prompt.format(tools_description=tools_str)),
+            HumanMessage(content=user_prompt)
+        ]
+        response = self.llm.invoke(messages)
+        # парсим JSON
+        plan = json.loads(response.content)
+        return plan