pip install openai-agents

import asyncio
from agents import Agent, Runner
from agents.mcp import MCPServerStdio
import os

os.environ["OPENAI_API_KEY"] = "sk-proj-..."

async def main():
    async with MCPServerStdio(
        params={
            "command": "npx",
            "args": ["-y", "@modelcontextprotocol/server-filesystem", "."],
        }
    ) as mcp_server:
        agent = Agent(
            name="Assistant",
            instructions="Ты ассистент, который может работать с файлами через инструменты.",
            mcp_servers=[mcp_server]
        )
        
        result = await Runner.run(
            agent, 
            "Создай файл test.py с примером get запроса к серверу openai"
        )
        print(result.final_output)

asyncio.run(main())

   # Для Linux/macOS
   curl -fsSL https://ollama.ai/install.sh | sh
   
   # Для Windows
   # Скачиваем и устанавливаем с официального сайта
   

   ollama pull llama3:8b
   

   ollama run llama3:8b
   

   ollama serve
   

import asyncio
from agents import Agent, Runner, OpenAIChatCompletionsModel
from agents.mcp import MCPServerStdio
from openai import AsyncOpenAI

async def main():
    async with MCPServerStdio(
        params={
            "command": "npx",
            "args": ["-y", "@modelcontextprotocol/server-filesystem", "."],
        },
        client_session_timeout_seconds=60
    ) as mcp_server:
        agent = Agent(
            name="FileAssistant",
            instructions="Ты ассистент, который может работать с файлами через инструменты MCP.",
            model=OpenAIChatCompletionsModel(
                model="llama3:8b",
                openai_client=AsyncOpenAI(
                    base_url="http://localhost:11434/v1",
                    api_key="ollama"
                )
            ),
            mcp_servers=[mcp_server]
        )
        
        result = await Runner.run(
            agent,
            "Создай файл example.py с примером GET запроса к OpenAI API"
        )
        print(result.final_output)

asyncio.run(main())

model=OpenAIChatCompletionsModel(
    model="llama3:8b",  # Название модели в Ollama
    openai_client=AsyncOpenAI(
        base_url="http://localhost:11434/v1",  # Локальный адрес Ollama
        api_key="ollama"  # Любая строка для совместимости
    )
)

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,  # ~500-1000 токенов
    chunk_overlap=100  # Перекрытие для контекста
)
chunks = splitter.split_text(book_text)

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("paraphrase-multilingual-MiniLM-L12-v2")  # Поддержка русского
vector = model.encode("Текст о лечении гипертонии...")

import qdrant_client

client = qdrant_client.QdrantClient("localhost")
client.upsert(
    collection_name="medical_books",
    points=[
        {"id": 1, "vector": vector.tolist(), "payload": {"title": "Кардиология", "page": 45}}
    ]
)

results = client.search(
    collection_name="medical_books",
    query_vector=model.encode("Современные методы лечения гипертонии").tolist(),
    limit=5  # Топ-5 самых полезных фрагментов
)

prompt = f"""
Ты — медицинский эксперт. Ответь на вопрос, используя ТОЛЬКО данные ниже.
Если информации нет, скажи «Не нашел данных».

Вопрос: {user_question}

Контекст:
{chunk1_text} [Источник: {chunk1_title}, стр. {chunk1_page}]
{chunk2_text} [Источник: {chunk2_title}, стр. {chunk2_page}]
"""

from typing import Dict, TypedDict
from langgraph.graph import StateGraph

# Определение состояния
class AgentState(TypedDict):
    numbers: list[int]
    operation: str
    result: int

# Узел обработки
def process_node(state: AgentState) -> AgentState:
    operation = state["operation"]
    numbers = state["numbers"]
    if operation == "*":
        rez_value = 1
        for i in numbers:
            rez_value *= i
    elif operation == "+":
        rez_value = sum(numbers)
    else:
        rez_value = 0
    state["result"] = rez_value
    return state

# Создание графа
graph = StateGraph(AgentState)
graph.add_node("process", process_node)
graph.set_entry_point("process")
graph.set_finish_point("process")
app = graph.compile()

# Визуализация графа
with open("graph.png", "wb") as f:
    f.write(app.get_graph().draw_mermaid_png())

# Запуск графа
result = app.invoke({"numbers": [1, 2, 3, 10], "operation": "+"})
print(result["result"])  # 👉 16

# Шаг 1: LLM понимает, что нужно 2 разные задачи
AIMessage: "Я выполню оба ваших запроса - сложу числа и получу информацию о погоде"

# Шаг 2: Автоматически вызывает СРАЗУ 2 инструмента
tool_calls: [
    {'name': 'add_tool', 'args': {'a': 100, 'b': 123432134}},
    {'name': 'get_weather_tool', 'args': {'city': 'Краснодар'}}
]

@tool
def analyze_image(image_path: str) -> str:
    """Анализирует изображение с помощью ИИ"""

@tool  
def send_email(to: str, subject: str, body: str) -> str:
    """Отправляет email"""

@tool
def query_database(sql: str) -> str:
    """Выполняет SQL запрос"""

# Обычный запрос к LLM
response = model.invoke("Расскажи о Франции в JSON")
# Получаем: "Конечно! Вот информация о Франции: {"capital": "Париж"...} Надеюсь, это помогло!"

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate
from pydantic import BaseModel, Field

# 1️⃣ Определяем СТРОГУЮ структуру
class CountryInfo(BaseModel):
    capital: str = Field(description="Столица страны")
    population: int = Field(description="Население")
    country_name: str = Field(description="Название страны")

# 2️⃣ Создаем умный парсер
parser = JsonOutputParser(pydantic_object=CountryInfo)

# 3️⃣ Магия format_instructions!
prompt = PromptTemplate(
    template="""Информация о стране в JSON:
    
Страна: {country}
{format_instructions}

ТОЛЬКО JSON, никакого лишнего текста!""",
    input_variables=["country"],
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

chain = prompt | model | parser
result = chain.invoke({"country": "Египет"})

# Получаем чистый dict:
{
    "capital": "Каир",
    "population": 104000000,
    "country_name": "Египет"
}

The output should be formatted as a JSON instance that conforms to the JSON schema below.

{"properties": {"capital": {"title": "Capital", "type": "string"}, ...}}

def debug_chain(input_data):
    step1 = prompt.invoke(input_data)    # Смотрим промпт
    step2 = model.invoke(step1)          # Смотрим ответ модели  
    step3 = parser.invoke(step2)         # Смотрим парсинг
    return step3