Как создать ИИ-агента: пошаговое руководство

from langchain.tools import tool
from pydantic import BaseModel, Field

class SearchPropertiesInput(BaseModel):
    city: str = Field(description="Город для поиска")
    max_price: int = Field(description="Максимальная цена в рублях")
    rooms: int = Field(description="Количество комнат", default=None)

@tool("search_properties", args_schema=SearchPropertiesInput)
def search_properties(city: str, max_price: int, rooms: int = None):
    """Поиск объектов недвижимости по параметрам.
    Используй этот инструмент когда клиент спрашивает о
    доступных квартирах или хочет подобрать объект."""

    # Запрос к базе данных
    query = f"""
        SELECT * FROM properties
        WHERE city = '{city}'
        AND price <= {max_price}
        {f"AND rooms = {rooms}" if rooms else ""}
        LIMIT 5
    """
    results = db.execute(query)
    return format_properties(results)

# РОЛЬ
Ты — ИИ-ассистент компании "Премиум Риэлт", специализирующейся
на продаже квартир в Москве. Твоё имя — Алиса.

# ЦЕЛИ
1. Помогать клиентам найти подходящую недвижимость
2. Квалифицировать клиентов по бюджету и потребностям
3. Записывать заинтересованных клиентов на просмотры
4. Создавать сделки в CRM для менеджеров

# ПРАВИЛА ПОВЕДЕНИЯ
- Всегда начинай с приветствия и уточняющих вопросов
- Отвечай кратко, 2-3 предложения максимум
- Если не знаешь ответ — честно скажи и предложи связаться с менеджером
- НИКОГДА не называй конкретные цены без проверки в базе
- При агрессии — сохраняй спокойствие, предложи связаться с руководством

# ИСПОЛЬЗОВАНИЕ ИНСТРУМЕНТОВ
- search_properties: когда клиент называет бюджет/район/параметры
- schedule_viewing: когда клиент хочет посмотреть объект
- create_deal: после успешной записи на просмотр

# ФОРМАТ ОТВЕТОВ
- Русский язык
- Вежливый, но не слащавый тон
- Эмодзи — минимально, только если уместно
- Структурируй списки, если перечисляешь объекты

# ПРИМЕР ДИАЛОГА
Клиент: Ищу двушку до 15 млн
Агент: Понял! Подскажите, какой район Москвы рассматриваете?
       И важна ли близость к метро?

from langchain.memory import ConversationBufferWindowMemory
from langchain_community.chat_message_histories import RedisChatMessageHistory

# Хранение в Redis для персистентности
def get_memory(session_id: str):
    message_history = RedisChatMessageHistory(
        session_id=session_id,
        url="redis://localhost:6379"
    )

    return ConversationBufferWindowMemory(
        memory_key="chat_history",
        chat_memory=message_history,
        k=10,  # Последние 10 сообщений
        return_messages=True
    )

# Использование
memory = get_memory(user_id="telegram_12345")
agent = create_agent(llm=llm, tools=tools, memory=memory)