Генерация из описания

ChainBuilder.from_description — метаагент: он просит LLM спланировать цепочку из LLM / Tool / Memory / Transform / Conditional-шагов для задачи, затем парсит план через ReasoningChain.from_dict, применяя все обычные проверки (обнаружение циклов, ссылки на зависимости, предупреждения о синтаксисе ссылок).

from mmar_carl import ChainBuilder

chain = await ChainBuilder.from_description(
    task="Outline the key arguments in the text, then condense them to 3 bullets.",
    llm_client=client,
    max_steps=4,
    max_retries=2,                       # self-correct on validation errors
    available_tools=["fetch", "summarise"],
)

Параметры

Параметр	Тип	По умолчанию	Назначение
`task`	`str`	— (обязательное)	Описание задачи на естественном языке.
`llm_client`	`Any`	— (обязательное)	Async-клиент с методом `get_response_with_retries(prompt, retries=…)` или `get_response(prompt)`.
`available_skills`	`list[str] \| None`	`None`	Имена навыков, упоминаемые в промпте планировщика.
`available_tools`	`list[str] \| None`	`None`	Имена инструментов, которые планировщик может использовать (tool-шаги должны использовать именно эти).
`max_steps`	`int`	`10`	Верхний предел планируемых шагов (вызывает `ValueError` при превышении).
`max_workers`	`int \| str`	`"auto"`	Настройка воркеров для результирующей цепочки.
`extra_instructions`	`str`	`""`	Свободный текст, добавляемый в конец промпта планировщика.
`max_retries`	`int`	`2`	Раунды самокоррекции при неудачной валидации сгенерированной цепочки.

Это async classmethod — используйте await.

Провенанс

Полный след планировщика записывается в chain.metadata для автономной диагностики: planner_prompt, planner_reply и журнал попыток planner_attempts на каждую итерацию (включая ошибки валидации, запустившие повтор).

Смотрите также

Пример chain_from_description в репозитории.