Универсальный ИИ-агент

Универсальный ИИ-агент для всестороннего анализа вопросов с использованием Python, LangGraph, LangChain и Ollama с моделью Gemma3.

🚀 Возможности

• Глубокий анализ вопросов: Агент разбивает сложные вопросы на отдельные аспекты и исследует каждый из них
• Интеллектуальный поиск: Использует DuckDuckGo для поиска актуальной информации в интернете
• Анализ веб-страниц: Загружает и анализирует содержимое веб-страниц по URL
• Циклическая обработка: Систематически исследует каждый аспект вопроса
• Синтез результатов: Объединяет все найденные данные в структурированный отчет
• Расширяемость: Легко добавлять новые инструменты и возможности

🛠 Технологии

• Python 3.8+
• LangChain - фреймворк для работы с языковыми моделями
• LangGraph - создание агентов с состояниями и циклами
• Ollama - локальный запуск языковых моделей
• Gemma3 - мощная языковая модель от Google
• DuckDuckGo Search - поиск в интернете
• BeautifulSoup - парсинг HTML

📦 Установка

1. Клонируйте репозиторий:

git clone <repository-url>
cd universal-ai-agent

2. Установите зависимости:

pip install -r requirements.txt

3. Настройте Ollama:

# Установите Ollama (https://ollama.ai/)
ollama pull gemma2:9b

4. Создайте файл конфигурации:

cp .env.example .env
# Отредактируйте .env при необходимости

🚀 Использование

Интерактивный режим

python main.py

Обработка конкретного вопроса

python main.py "Как искусственный интеллект изменит образование?"

Примеры использования

# Запустить все примеры
python examples.py all

# Интерактивный выбор примера
python examples.py interactive

# Запустить конкретный пример
python examples.py 1

🏗 Архитектура

Основные компоненты

1. UniversalAgent - главный класс агента
2. WebSearchTool - инструмент поиска в интернете
3. URLContentTool - инструмент загрузки веб-страниц
4. AgentState - состояние агента для LangGraph

Граф состояний

[Анализ вопроса] → [Исследование аспекта] → [Продолжить?]
                                    ↓
                              [Синтез результатов] → [Завершение]

Процесс работы

1. Анализ: Агент анализирует вопрос и разбивает его на аспекты
2. Исследование: Для каждого аспекта выполняется поиск и анализ данных
3. Синтез: Все результаты объединяются в итоговый отчет

⚙️ Конфигурация

Настройки в файле config.py:

# Ollama настройки
ollama_base_url = "http://localhost:11434"
ollama_model = "gemma2:9b"

# Настройки поиска
duckduckgo_max_results = 10
request_timeout = 30

# Настройки агента
max_iterations = 5
max_aspects_per_question = 10

🔧 Добавление новых инструментов

Для добавления нового инструмента:

1. Создайте класс инструмента в tools/
2. Добавьте метод в UniversalAgent._create_*_tool()
3. Зарегистрируйте инструмент в self.tools

Пример:

def _create_custom_tool(self):
    def custom_function(param: str) -> str:
        # Ваша логика
        return result
    
    return {
        "name": "custom_tool",
        "description": "Описание инструмента",
        "function": custom_function
    }

📊 Примеры результатов

Агент возвращает структурированные результаты:

{
    "original_question": "Ваш вопрос",
    "analysis_results": {
        "motivation": "Анализ мотивации",
        "aspects": ["аспект1", "аспект2"],
        "research_questions": ["вопрос1", "вопрос2"]
    },
    "final_insights": {
        "summary": "Краткий ответ",
        "key_conclusions": ["вывод1", "вывод2"],
        "insights": ["инсайт1", "инсайт2"],
        "recommendations": ["рекомендация1"],
        "confidence": "высокий"
    }
}

🐛 Устранение неполадок

Ollama не запущен

ollama serve

Модель не найдена

ollama pull gemma2:9b

Ошибки поиска

• Проверьте интернет-соединение
• Увеличьте request_timeout в конфигурации

🤝 Вклад в проект

1. Форкните репозиторий
2. Создайте ветку для новой функции
3. Внесите изменения
4. Создайте Pull Request

📄 Лицензия

MIT License

📞 Поддержка

При возникновении проблем создайте Issue в репозитории.

---

Создано с ❤️ опытным сеньор-программистом с 20-летним стажем