# Установка — https://lmstudio.ai
# 1. Скачать под свою ОС (Windows/Mac/Linux)
# 2. Запустить, найти модель через поиск
# 3. Нажать Download → Load Model → Start Server
# 4. API доступен на http://localhost:1234/v1

# Проверка через curl
curl http://localhost:1234/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "local-model",
    "messages": [{"role": "user", "content": "Привет! Кто ты?"}]
  }'

# Python-клиент работает через openai пакет
from openai import OpenAI
client = OpenAI(base_url="http://localhost:1234/v1", api_key="not-needed")
response = client.chat.completions.create(
    model="local-model",
    messages=[{"role": "user", "content": "Напиши функцию сортировки на Python"}]
)
print(response.choices[0].message.content)

# Установка: curl -fsSL https://ollama.com/install.sh | sh

# Загрузка и запуск модели одной командой
ollama pull qwen3:14b        # Qwen 3 — 14B параметров
ollama pull deepseek-r1:8b    # DeepSeek — reasoning модель
ollama pull llama3.3:70b      # Llama 3.3 — универсальная

# Запуск в интерактивном режиме
ollama run qwen3:14b

# API автоматически на http://localhost:11434
# Совместим с OpenAI API — меняем только base_url

# Modelfile — кастомизация модели
cat << 'EOF' > MyAgent.Modelfile
FROM qwen3:14b
SYSTEM \"Ты — агент-аналитик для B2B-платформы. Отвечай на русском языке.\"
PARAMETER temperature 0.3
PARAMETER num_ctx 32768
EOF
ollama create my-agent -f MyAgent.Modelfile
ollama run my-agent

# local_agent.py — полностью локальный AI-агент
import os, subprocess, json
from openai import OpenAI

# Подключаемся к локальной Ollama
client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")

# Определяем инструменты агента
TOOLS = {
    "read_file": lambda path: open(path).read()[:5000],
    "list_dir": lambda path: "\n".join(os.listdir(path)),
    "run_command": lambda cmd: subprocess.getoutput(cmd)[:3000],
}

# Системный промпт — учим агента пользоваться инструментами
SYSTEM = """Ты AI-агент с доступом к инструментам. Используй JSON-формат:
Для действия: {"action": "tool_name", "args": {"param": "value"}, "reason": "почему"}
Для ответа: {"action": "respond", "text": "твой ответ пользователю"}
Доступные инструменты: read_file(path), list_dir(path), run_command(cmd)
Отвечай на русском. Думай по шагам."""

def agent_loop(user_input, max_steps=5):
    messages = [
        {"role": "system", "content": SYSTEM},
        {"role": "user", "content": user_input}
    ]
    
    for step in range(max_steps):
        response = client.chat.completions.create(
            model="qwen3:14b",
            messages=messages,
            temperature=0.2
        )
        text = response.choices[0].message.content
        
        try:
            action = json.loads(text.split("```json")[1].split("```")[0])
        except:
            try:
                action = json.loads(text)
            except:
                print(f"Agent sagt: {text[:500]}")
                return text
        
        if action["action"] == "respond":
            return action["text"]
        
        # Выполняем инструмент
        tool = TOOLS.get(action["action"])
        if tool:
            result = tool(**action.get("args", {}))
            messages.append({"role": "assistant", "content": text})
            messages.append({"role": "user", "content": f"Результат {action['action']}: {result}"})
        else:
            messages.append({"role": "user", "content": f"Инструмент '{action['action']}' не найден"})
    
    return "Агент не смог решить задачу за отведённые шаги"

# Тест агента
answer = agent_loop("Какие файлы в текущей директории? Найди config.json и покажи его содержимое.")
print(answer)