Skip to content

About

Пример исследования исходников из курса «Устройство агентов»: OpenAI Agents SDK, Python и TypeScript.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

Агент, исследующий изменение кода

Запускаемый пример для курса «Устройство агентов» и подготовки к проекту разбора инцидентов. Агент получает готовый дифф, находит определение applyDiscount(), читает вызывающий код и запускает одну фиксированную проверку. Результатом становится замечание с основаниями и журнал инструментов.

Задача взята из урока «Исследование источника данных». Изменение подставляет код скидки в SQL, а вызывающая функция передаёт значение из параметра запроса. Проверка с кодом, содержащим апостроф, воспроизводит отказ. Исходники небольшие, SQLite работает в памяти, отдельного сервера или аккаунта GitHub для запуска не требуется.

Реализации на Python и TypeScript используют официальный OpenAI Agents SDK, одну задачу и одинаковый формат результата. Выберите знакомый язык. SDK ведёт агентный цикл. Код примера ограничивает инструменты и проверяет результат по данным запуска. Учебные уроки разбирают механизм цикла по частям, этот репозиторий показывает законченный запуск на готовом SDK.

Быстрый запуск

Нужны Node.js 26 для подготовленной проверки приложения и среда выбранного языка. TypeScript запускается самой Node.js. Для Python нужны Python 3.14 и uv. Версии инструментов объявлены в mise.toml, зависимости закреплены lock-файлами.

Для TypeScript выполните команды из корня репозитория.

make setup
make demo

Для Python выполните другой вариант команд из того же каталога.

make setup AGENT_LANG=python
make demo AGENT_LANG=python

В режиме demo модель заменена подготовленной последовательностью ответов. SDK Runner, чтение файлов и проверка SQLite выполняются. Этот режим работает без ключа и показывает механику вызовов, обоснованность вывода настоящей модели он не измеряет. Результаты сохраняются в var/typescript.json и var/python.json. Сокращённый вывод обеих реализаций лежит в examples/ с пометкой demo.

Настоящая модель

Скопируйте конфигурацию и заполните её локально.

cp .env.example .env

Задайте MODEL_ID и OPENAI_API_KEY. Затем запустите выбранную реализацию.

make run
make run AGENT_LANG=python

Для совместимого Chat Completions API задайте MODEL_API=chat_completions, MODEL_BASE_URL, MODEL_ID и MODEL_API_KEY. Модель и API должны поддерживать инструменты и структурированный результат. Возможности разных провайдеров проверяются отдельно. Ключи не добавляйте в Git. Отправка трейсов SDK во внешний сервис отключена.

В режиме live модель сама выбирает поиск и чтение исходников. Порядок её действий может отличаться от демонстрационного. Полный проход с настоящей моделью требует настроенного API-доступа.

Что видно в результате

В отчёте есть mode, status, findings, check и trace. Каждое замечание указывает путь, строку, объяснение и диапазоны исходников, на которые оно опирается. Код проверяет формат отчёта, фактический запуск проверки и то, что указанные диапазоны прочитаны. Правильность объяснения читатель оценивает по исходникам и журналу.

Значения status=success и check.passed=false совместимы. Задачей агента служит исследование дефекта. Подготовленная проверка падает на дефекте, и агент объясняет этот результат. Изменять или исправлять приложение пример не умеет.

Список доступных инструментов фиксирован.

Инструмент Результат
read_diff Подготовленный дифф
list_files Список файлов задачи
search_files Не более 20 совпадений подстроки в исходниках и тестах
read_file До 40 строк файла с адресом диапазона, offset начинается с нуля
run_check Результат одной заданной команды проверки приложения

Чтение ограничено каталогом fixture/. Произвольных команд, записи файлов и внешней публикации среди инструментов нет. Число обращений к модели, число инструментов, время и объём выдачи ограничены. При отказе CLI сохраняет статус, доступный журнал и причину остановки.

Как читать код

Начните с fixture/task.txt и fixture/change.diff. Затем откройте реализацию агента на выбранном языке. В agent.ts или agent.py находятся объявления инструментов, инструкции, выбор модели и вызов SDK. В workspace.ts и workspace.py находятся исполнение инструментов и проверка ссылок. В demo-model.ts и demo_model.py находятся только подготовленные ответы для демонстрации.

В учебном проекте эти же роли сохранятся. К инструментам исследования добавятся исправление, проверка кандидата и публикация PR. Копировать подготовленный ответ демонстрационной модели в настоящий workflow не требуется.

Проверки репозитория

Для проверки обеих реализаций установите оба набора зависимостей.

make setup-all
make check

Тесты проходят через настоящий SDK Runner. Они проверяют работу инструментов, предел шагов, запрет выхода из каталога и ссылок на непрочитанные данные. Тесты самого примера проходят. Подготовленный дефект проверяется отдельно командой make fixture-check, она ожидаемо завершается с ошибкой и сообщает об одном упавшем тесте.

Дополнительные проверки форматов, ссылок и workflow описаны в hk.pkl. Команда mise run check вызывает весь набор. Хуки можно установить командой hk install.


Hexlet поддерживает этот учебный пример. Код распространяется под лицензией MIT.

About

Пример исследования исходников из курса «Устройство агентов»: OpenAI Agents SDK, Python и TypeScript.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages