|
1 | 1 | { |
2 | 2 | "cells": [ |
| 3 | + { |
| 4 | + "cell_type": "markdown", |
| 5 | + "id": "4f79a807", |
| 6 | + "metadata": {}, |
| 7 | + "source": [ |
| 8 | + "# Агент для генерации LeanCanvas\n", |
| 9 | + "\n", |
| 10 | + "## Введение\n", |
| 11 | + "\n", |
| 12 | + "Этот ноутбук демонстрирует создание интеллектуального агента для автоматической генерации **Lean Canvas** — популярного инструмента для описания бизнес-модели стартапов. Lean Canvas помогает структурированно описать ключевые аспекты бизнеса: проблему, решение, целевую аудиторию, каналы привлечения клиентов и другие важные элементы.\n", |
| 13 | + "\n", |
| 14 | + "### Решаемая задача\n", |
| 15 | + "Агент автоматизирует процесс создания Lean Canvas на основе краткого описания бизнес-идеи. Вместо ручного заполнения 9 блоков таблицы, пользователь просто описывает свою идею, а агент:\n", |
| 16 | + "- Анализирует конкурентов через поиск в интернете\n", |
| 17 | + "- Генерирует уникальные предложения\n", |
| 18 | + "- Заполняет все разделы Lean Canvas\n", |
| 19 | + "- Позволяет пользователю корректировать результат\n", |
| 20 | + "\n", |
| 21 | + "### Демонстрируемые принципы LangGraph\n", |
| 22 | + "\n", |
| 23 | + "В этом ноутбуке показаны ключевые концепции работы с **LangGraph**:\n", |
| 24 | + "\n", |
| 25 | + "1. **ReAct агенты** — агенты, которые могут рассуждать (Reasoning) и действовать (Acting), используя внешние инструменты (поиск в интернете)\n", |
| 26 | + "\n", |
| 27 | + "2. **Structured Output** — получение структурированных ответов от LLM в виде Pydantic моделей вместо произвольного текста\n", |
| 28 | + "\n", |
| 29 | + "3. **State Graphs** — создание сложных workflow с состоянием, где каждый узел выполняет определенную задачу и обновляет глобальное состояние\n", |
| 30 | + "\n", |
| 31 | + "4. **Human in the Loop** — интеграция человека в процесс работы агента для предоставления обратной связи и корректировок\n", |
| 32 | + "\n", |
| 33 | + "5. **Interrupt & Resume** — механизм прерывания выполнения графа для получения пользовательского ввода и последующего возобновления работы\n", |
| 34 | + "\n", |
| 35 | + "6. **Conditional Routing** — динамическое определение следующего шага на основе результатов анализа (например, переход к генерации нового предложения, если текущее не уникально)\n", |
| 36 | + "\n", |
| 37 | + "7. **Memory & Checkpoints** — сохранение состояния между вызовами для возможности продолжения работы\n", |
| 38 | + "\n", |
| 39 | + "Этот пример показывает, как можно создавать сложные многошаговые агенты, которые сочетают автоматизацию с возможностью человеческого контроля и корректировки.\n" |
| 40 | + ] |
| 41 | + }, |
3 | 42 | { |
4 | 43 | "cell_type": "markdown", |
5 | 44 | "id": "aa112c2f", |
|
8 | 47 | "# Настраиваем окружение" |
9 | 48 | ] |
10 | 49 | }, |
| 50 | + { |
| 51 | + "cell_type": "markdown", |
| 52 | + "id": "c62fd785", |
| 53 | + "metadata": {}, |
| 54 | + "source": [ |
| 55 | + "Установка зависимостей" |
| 56 | + ] |
| 57 | + }, |
11 | 58 | { |
12 | 59 | "cell_type": "code", |
13 | 60 | "execution_count": 37, |
|
28 | 75 | "!pip install langchain_gigachat langchain_community langgraph duckduckgo-search langchain_tavily -q" |
29 | 76 | ] |
30 | 77 | }, |
| 78 | + { |
| 79 | + "cell_type": "markdown", |
| 80 | + "id": "16006cff", |
| 81 | + "metadata": {}, |
| 82 | + "source": [ |
| 83 | + "## Настройка переменных окружения\n", |
| 84 | + "\n", |
| 85 | + "Для корректной работы примера в переменных окружения должны быть указаны параметры для подключения к GigaChat API. Подробно о том, как создать проект GigaChat API — в официальной документации, в разделах [Быстрый старт для физических лиц](https://developers.sber.ru/docs/ru/gigachat/individuals-quickstar) и [Быстрый старт для ИП и юридических лиц](https://developers.sber.ru/docs/ru/gigachat/legal-quickstart).\n", |
| 86 | + "\n", |
| 87 | + "### Шаги настройки:\n", |
| 88 | + "\n", |
| 89 | + "1. **Переименуйте файл `.env.example` в `.env`**\n", |
| 90 | + "2. **Заполните файл `.env` необходимыми данными:**\n", |
| 91 | + " - Данные для подключения к GigaChat API\n", |
| 92 | + " - API ключ для Tavily (для поиска в интернете)\n", |
| 93 | + "\n", |
| 94 | + "Подробная инструкция по настройке переменных окружения доступна в [официальном репозитории GigaChat](https://github.com/ai-forever/gigachat?tab=readme-ov-file#%D0%BD%D0%B0%D1%81%D1%82%D1%80%D0%BE%D0%B9%D0%BA%D0%B0-%D0%BF%D0%B5%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D1%8B%D1%85-%D0%BE%D0%BA%D1%80%D1%83%D0%B6%D0%B5%D0%BD%D0%B8%D1%8F)." |
| 95 | + ] |
| 96 | + }, |
| 97 | + { |
| 98 | + "cell_type": "markdown", |
| 99 | + "id": "838c501c", |
| 100 | + "metadata": {}, |
| 101 | + "source": [] |
| 102 | + }, |
31 | 103 | { |
32 | 104 | "cell_type": "code", |
33 | | - "execution_count": 3, |
| 105 | + "execution_count": 2, |
34 | 106 | "id": "35a9e575", |
35 | 107 | "metadata": {}, |
36 | 108 | "outputs": [ |
|
40 | 112 | "True" |
41 | 113 | ] |
42 | 114 | }, |
43 | | - "execution_count": 3, |
| 115 | + "execution_count": 2, |
44 | 116 | "metadata": {}, |
45 | 117 | "output_type": "execute_result" |
46 | 118 | } |
|
56 | 128 | "id": "2001434a", |
57 | 129 | "metadata": {}, |
58 | 130 | "source": [ |
59 | | - "# Подключаем GigaChat" |
| 131 | + "## Подключаем GigaChat и проверяем его работу" |
60 | 132 | ] |
61 | 133 | }, |
62 | 134 | { |
|
91 | 163 | "id": "386ae738", |
92 | 164 | "metadata": {}, |
93 | 165 | "source": [ |
94 | | - "# Создаем ReAct агента с возможностью поиска в интернете" |
| 166 | + "## Создаем ReAct агента с возможностью поиска в интернете" |
95 | 167 | ] |
96 | 168 | }, |
97 | 169 | { |
|
0 commit comments