# 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

# MCP сервер для PostgreSQL
npm install -g mcp-postgres-server

# Python библиотеки
pip install langchain-deepseek langchain-mcp-adapters langgraph python-dotenv

DB_HOST=localhost
DB_PORT=5432
DB_NAME=your_database
DB_USER=your_user
DB_PASSWORD=your_password
DEEPSEEK_API_KEY=your_api_key

import asyncio
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
import os

load_dotenv()

async def get_all_tools():
    """Получение инструментов для работы с PostgreSQL"""
    mcp_client = MultiServerMCPClient(
        {
            "postgres": {
                "command": "npx",
                "args": ["-y", "mcp-postgres-server"],
                "env": {
                    "PG_HOST": os.getenv("DB_HOST"),
                    "PG_PORT": os.getenv("DB_PORT"),
                    "PG_USER": os.getenv("DB_USER"),
                    "PG_PASSWORD": os.getenv("DB_PASSWORD"),
                    "PG_DATABASE": os.getenv("DB_NAME"),
                },
                "transport": "stdio",
            },
        }
    )
    return await mcp_client.get_tools()

async def main():
    # Получаем инструменты PostgreSQL
    tools = await get_all_tools()
    
    # Создаем агента с нейросетью
    agent = create_react_agent(
        model=ChatDeepSeek(model="deepseek-chat"),
        tools=tools,
        prompt="Ты помощник для работы с PostgreSQL базой данных.",
    )
    
    # Делаем запрос на естественном языке
    result = await agent.ainvoke(
        {
            "messages": [
                {
                    "role": "user",
                    "content": "Расскажи про пользователя с id 1",
                }
            ]
        }
    )
    # Выводим финальный ответ нейросети
    final_message = result["messages"][-1]
    print(final_message.content)

# Запуск
asyncio.run(main())

Пользователь с id 1 имеет следующие данные:

- **Имя**: Алексей (админ)
- **Email**: mr.mnogo@gmail.com (подтверждён)
- **Телефон**: не указан  
- **Тип входа**: EMAIL
- **Роль**: 1 (предположительно администратор)
- **Юридическое лицо**: нет
- **Физическое лицо**: да

Пароль зашифрован и хранится в хешированном виде.