## ТЗ: Интерактивный Агент с LLM и Визуализацией Графа Диалогов

**Цель:** Создать десктопное приложение-агента, позволяющее взаимодействовать с внешними LLM (Gemini, Mistral) через API, выполнять сложные действия по слеш-командам и визуализировать историю диалогов в виде графа.

**1. LLM:**

*   Использовать только внешние модели: Gemini (через LangChain), Mistral (через HTTP API).
*   Заглушка для Ollama (пустой словарь `LOCAL_MODELS`).

**2. Веб-интерфейс (React):**

*   Три панели:
    *   История диалогов (различные графы запросов), по умолчанию слева.
    *   Визуализация активного графа сообщений (React Flow + Dagre), по умолчанию по центру.
    *   Чат с выбранной веткой активного графа, по умолчанию справа.
*   Активный чат = выбранный лист графа.
*   Клик по ноду = показ сообщений от корня до нода.
*   Разные цвета для нодов пользователя и LLM.

**3. Хранение:**

*   Бэкенд хранит историю графов запросов.
*   IndexedDB (dexie.js или idb) для временного хранения активного графа на фронтенде (опционально).

**4. Суммаризация истории:**

*   Комбинация: последние N сообщений + суммаризация старой истории через LLM (Gemini).

**5. Анализ изображений:**

*   Gemini Vision API, заглушка для расширения.

**6. Платформы субтитров:**

*   Google Meet и Microsoft Teams: возможность получения текущих, не финальных субтитров (API или polling/webhook).

**7. Генерация изображений:**

*   Вызов удаленного эндпоинта bingart.

Эндпоинт генерации изображений

*   **URL:** `<URL_удаленного_ресурса>/generate-images`
*   **Метод:** GET или POST.
*   **Параметры:**
    *   `prompt` (строка): Текст запроса для генерации изображения. Передается либо как query parameter в GET-запросе, либо как form data в POST-запросе.
*   **Результат (JSON):**
    *   `image_urls` (массив строк): Список URL сгенерированных изображений (до 4 штук).
    *   `error` (строка, опционально): Сообщение об ошибке, если генерация не удалась.

Пример успешного ответа:

```json
{
  "image_urls": [
    "url1",
    "url2",
    "url3",
    "url4"
  ]
}
```

**Пример ответа с ошибкой:**

```json
{
  "error": "Не удалось получить изображения."
}
```

**8. Команды:**

*   Слеш-команды (`/`) с автодополнением (React Autosuggest).
*   Команды хранятся в базе данных на бэкенде.
*   Запуск workflow через LangGraph.

**9. LangGraph:**

*   Оркестрация сложных workflow по слеш-командам.
*   Узлы: генерация, LLM, анализ изображений, субтитры, управление состоянием.

**10. Реализация:**

*   **Frontend:** React, React Flow, Dagre, React Autosuggest.
*   **Backend:** API для LLM, субтитров, bingart, LangGraph, база данных (хранение истории графов).

**11. Язык:**

*   Русский.

**Типичный workflow:**

1.  Пользователь вводит `/команда`.
2.  Frontend отправляет запрос на бэкенд.
3.  Бэкенд запускает LangGraph workflow, соответствующий команде:
    *   Подставляет релевантный команде промпт (если необходимо).
    *   Вызывает LLM (Gemini или Mistral).
    *   Анализирует изображения (если необходимо).
    *   Запрашивает текущие субтитры (если необходимо в рамках команды, это одна из команд).
    *   Запрашивает генерацию изображений на удалённом эндпоинте и ждёт ответа.
    *   Обрабатывает результаты и формирует ответ.
4.  Бэкенд сохраняет новый граф запроса в базе данных (или обновляет существующий).
5.  Бэкенд отправляет данные активного графа на фронтенд.
6.  Frontend отображает граф и чат.

**Приоритеты:**

1.  Базовая функциональность чата с Gemini/Mistral и визуализацией графа.
2.  Реализация слеш-команд через LangGraph.
3.  Интеграция с Google Meet/MS Teams (получение текущих субтитров).

**Использовать:**

*   React Flow (с примерами Dagre).
*   LangGraph.
*   dexie.js или idb (опционально, для временного хранения на фронтенде).
*   React Autosuggest.