Документация LLM Client

🔹 I. Введение и суть нового паттерна с `LLMClient`

🎯 Что изменилось?

Раньше мы создавали "агента" через объект Agents, устанавливали промпты через setStartInstruction, setFinalInstruction, сохраняли историю и вызывали generateActiveAgentAnswer(...). Этот подход оставался привязанным к структуре агентов как сущностей.

Теперь — всё по-другому.

👉 Вы сами создаете "агента" как сценарий или flow (поток диалога), используя LLMClient, и назначаете ему столько задач, сколько нужно — через разные этапы flow, инструкции и промпты. Каждый шаг — просто JS-код, больше не нужно регистрировать агентов отдельно.

🧠 Что такое `LLMClient`?

Это универсальный компонент для общения с LLM:

формирует список промптов (в нужном порядке),
берет промпты как из кода, так и из таблицы ($name, @common),
вставляет значения из lead и bot (макропеременные),
может подставить историю диалога в нужное место,
делает асинхронный запрос (через MBQuery),
обрабатывает ответ в этом же скрипте и отправляет дальше.

✅ Почему это лучше?

📌 Возможность	`Agents`	`LLMClient`
Многоагентные шаги (несколько запросов подряд)	⚠️ Ограничено	✅ Полностью контролируемо
Промпты из таблицы ($name / @common)	✅ Да	✅ Да
Порядок промптов	❌ Неявный (в коде разбросано)	✅ Вы задаёте руками
Управление историей	⚠️ Встроено, не выключается	✅ Можно включать, отключать, вставлять вручную
Асинхронность	✅ Да	✅ Да
Обработка ошибок	🔧 Сложно	✅ Полный контроль на каждом запросе к ИИ
Переподключение flow	⚠️ Привязано к агенту	✅ Любая логика, любой скрипт
Переиспользование компонентов	⚠️ Мало	✅ Есть `LLMFollowUp`, `KnowbaseSearch`, макросы

🔹 II. Жизненный цикл работы с `LLMClient`

🟦 1. Инициализация

const LLMClient = require("Common.MetabotAI.LLMClient")

const llm = new LLMClient("DetectIntent") // session name

Пример подключения gpt-3.5-turbo:

llm.setModel("gpt-3.5-turbo")llm.setProvider("OpenAI")

🟦 2. Добавление промптов

llm.setPromptTable("gpt_prompts", "MyAgent")
llm.addSystemPrompt("$start") // из таблицы (по имени)
llm.addSystemPrompt("@common_instruction") // глобальный prompt

Прямо в коде:

llm.addUserPrompt(`Сообщение пользователя: ${user_input}`)

llm.addUserPrompt(`Имя пользователя: ${lead.getAttr('name')}`)

🟦 3. Макросы и подстановки в таблице промптов

Можно использовать:

{{$lead_attr}} → из лида
{{@bot_attr}} → из бота

Или можно подставлять значения прямо в коде:

llm.addUserPrompt(`Город пользователя: ${lead.getAttr('city')}`)

🟦 4. История

По умолчанию история включена, но вы можете:

llm.disableHistory()

// полностью ~~отключитьllm.~~отключить

llm.clearHistory()

// очиститьllm.addHistoryToPrompts() // вручную подставить историю

📌 Важно!

Управляйте порядком промптов прямо в коде:
сначала — system, instruction, потом history, потом user.
Иначе GPT не поймет, что от него хотят.

🟦 5. Подготовка и отправка

llm.prepareRequest()

// собираем промпты и ~~сохраняемllm.~~сохраняем

llm.sendRequest()

// отправка асинхронного запроса

Можно указать другой скрипт, куда прилетит асинхронный ответ:

llm.prepareRequest("AgentName:MyFlow")

🟦 6. Обработка ответа

Ответ приходит в этот же скрипт, в блоке ниже:

llm.handleResponse()

📌 Не нужно проверять статус — если была ошибка, сработает скрипт обработки ошибки, устанавливаемый через setErrorScript(...), если всё ОК — данные уже подготовлены для дальнейшего использования.

🟦 7. Работа с результатом

llm.sendResponse() // показать как ~~естьllm.~~есть

llm.sendFormattedResponse()

// markdown-~~оформлениеllm.~~оформление

llm.nextFlow("MyAgent:NextStep") // перейти на следующий ~~скриптllm.~~скрипт

llm.finishFlow() // завершить текущий шаг

🔚 Завершение диалога: `LLMFollowUp`

Для ожидания ответа от пользователя — текстового или кнопочного — используем LLMFollowUp.

Добавьте новую команду JavaScript Callback.

const LLMFollowUp = require("Common.MetabotAI.LLMFollowUp")

🔹 Ожидание текста

LLMFollowUp.waitForInput("MyAgent:Step2")

🔹 С выводом сообщения

LLMFollowUp.waitForInput("MyAgent:Step2", "Введите ваш номер телефона:")

🔹 Подмена поля для ввода

По умолчанию, ввод от пользователя запишется в лида в user_input, но вы можете переопределить это поле (третий параметр):

LLMFollowUp.waitForInput("MyAgent:Step2", "", "my_user_input")

🔹 Ожидание текста или кнопки

В скрипте добавьте нужные вам кнопки.
В коде:

LLMFollowUp.waitForInputOrButton("MyAgent:Step2", "Выберите или напишите свой вопрос:")

🔹 III. Архитектура команды (скрипта)

Каждый LLM-запрос реализуется в одной JS-команде, которая состоит из 3-х логических блоков:

🟦 1. Инициализация и запуск запроса (вверху)

Это всегда первый запуск команды (isFirstImmediateCall):

const LLMClient = require("Common.MetabotAI.LLMClient")

const llm = new LLMClient("MyLLMSession")

if (isFirstImmediateCall) {

llm.setProvider("OpenAI")

llm.setModel("gpt-3.5-turbo")

llm.setPromptTable("gpt_prompts", "MyAgent")

llm.addSystemPrompt("$start")

// инструкция

llm.addUserPrompt(`Запрос пользователя: ${lead.getAttr("user_input")}`)

llm.prepareRequest("MyAgent:MyScript")

// указываем этот же скрипт

llm.setErrorScript("MyAgent:ErrorFlow")

return llm.sendRequest()}

🟦 2. Обработка ответа (ниже, после if (isFirstImmediateCall))

Ответ приходит сюда, автоматически:

llm.handleResponse()

// Далее логика ~~ответаllm.~~ответа

llm.sendFormattedResponse()

llm.nextFlow("MyAgent:NextStep")

📌 Если в запросе произошла ошибка, LLMClient автоматически вызовет setErrorScript(...).
Если всё хорошо — handleResponse() сохраняет результат и позволяет продолжить.

🟦 3. UI, кнопки, меню (опционально)

Кнопки настраиваются в этом же скрипте или можете перенаправить в другой скрипт, где настроить кнопки и подключить JavaScript Callback c LLMFollowUp.

📦 Пример структуры скрипта (общее):

// ВЕРХ -- запуск запросаif (isFirstImmediateCall) {

// ... init return llm.sendRequest()}

// ЦЕНТР -- handleResponse()

llm.handleResponse()

// НИЖЕ -- логика ~~ответаllm.~~ответа

llm.sendResponse()

llm.nextFlow("MyAgent:NextStep")

// или если нужно завершить работу с ИИ

// и далее предоставить пользователю выбор

llm.finishFlow()

🔹 IV. Работа с вводом пользователя и кнопками

После ответа от LLM мы часто хотим:

задать уточняющий вопрос пользователю,
дождаться текста,
или предложить кнопки с вариантами.

Для этого используется мощный компонент:

📦 `LLMFollowUp`

(из Common.MetabotAI.LLMFollowUp)

🟦 1. Ожидание только текста

const LLMFollowUp = require("Common.MetabotAI.LLMFollowUp")

LLMFollowUp.waitForInput( "MyAgent:NextStep", // скрипт, куда перейти "✍️ Введите ваш номер телефона:", // текст-приглашение "user_phone" // атрибут для сохранения)

📌 После того, как пользователь напишет, значение попадет в:

lead.getAttr("user_phone")

🟦 2. Ожидание текста или кнопки

Частый сценарий: предложить выбор + оставить возможность ввести свой текст.

const LLMFollowUp = require("Common.MetabotAI.LLMFollowUp")

LLMFollowUp.waitForInputOrButton( "MyAgent:HandleCustomInput", // targetScriptCode для текстового ввода "👇 Выберите вопрос или напишите свой:", "user_input")

🛎️ А кнопки добавляем в этом же скрипте в меню:

Button 1 ("Где мой заказ?", "MyAgent:Flow_OrderStatus")

Button 2 ("Связаться с оператором", "MyAgent:Flow_Operator")

📎 Примечания

Все кнопки работают как меню, определяемое в скрипте.
Если пользователь нажал кнопку — мы сразу переходим по скрипту и там запускаем следующий флоу.
Если ввел текст — идем в targetScriptCode и берем lead.getAttr("user_input")

✅ Резюме

С помощью LLMFollowUp вы:

задаёте гибкие формы обратной связи,
даёте кнопки без необходимости их отдельно обрабатывать,
делаете UX максимально удобным.

Отлично! Ниже — готовый рабочий пример агента из двух flow, реализованного через LLMClient:

🤖 Агент с двумя флоу: INTENT ➜ ANSWER

Сценарий:

Пользователь пишет сообщение.
Первый flow (IntentDetect) распознаёт интент и (опционально) ищет в БЗ/таблице.
Второй flow (FinalAnswer) формирует финальный ответ на основе результата первого шага и истории.

📁 Структура скриптов:

MyAgent/├── Start -- Точка входа├── DetectIntent -- Flow 1: извлечение намерения├── FinalAnswer -- Flow 2: генерация ответа├── ErrorFlow -- Обработка ошибок

1️⃣ Скрипт: `MyAgent:Start`

Запросить значение	Что бы вы хотели узнать или сделать? 👇: [ user_input ]
Выполнить JavaScript	// Очищаем историю диалога основного флоу const LLMClient = require("Common.MetabotAI.LLMClient") const dialog = new LLMClient("FinalAnswer") dialog.clearHistory()
Выполнить скрипт	🔹 Flow 1: Определение интента и KB поиск

2️⃣ Скрипт: `MyAgent:DetectIntent`

Отправить текст	Думаю. Подождите... 🕐
Выполнить асинхронный API-запрос	const LLMClient = require("Common.MetabotAI.LLMClient") const llm = new LLMClient("DetectIntent"); llm.setProvider("OpenAI") llm.setModel("gpt-3.5-turbo") llm.setErrorScript("MyAgent:ErrorFlow") llm.setPromptTable("gpt_prompts", "SupportBot") llm.disableHistory() // Отключаем сохранение истории if (isFirstImmediateCall) { // Берем историю из следующего флоу const dialog = new LLMClient("UserDialog") const history = dialog.getHistory() llm.addSystemPrompt( `По контексту общения и сообщению пользователя, `+ `определи истинное намерение пользователя.\n` + `Контекст общения: ${JSON.stringify(history)}\n` + `Сообщение пользователя: ${lead.getAttr("user_input")}\n` + `Ответь строго в JSON в поле intent в развернутом виде на русском языке.`) llm.prepareRequest() return llm.sendRequest()} llm.handleResponse() // Обрабатываем ответ от LLM bot.sendMessage(`Ответ от LLM: ${llm.getResponseText()}`) // Получаем JSON и излекаем поле intent const result = llm.getLastJSON() const userIntent = result?.intentlead.setAttr("user_intent", userIntent)// Если интент есть -- ищем по базе знаний if (userIntent) { const KnowbaseSearch = require('Common.MetabotAI.KnowbaseSearch') const kbSearch = new KnowbaseSearch() const chunks = kbSearch.findBestChunks("DefaultKB", userIntent, "rehau") // Сохраняем все, что нашли в kb_chunks lead.setJsonAttr("kb_chunks", chunks) bot.sendMessage(`chunks: ${JSON.stringify(chunks)}`)} else { lead.setJsonAttr("kb_chunks", []) }// Переходим к следующему ~~этапуllm.~~этапу llm.nextFlow("MyAgent:FinalAnswer")

Отправить текст

Думаю. Подождите... 🕐

Выполнить асинхронный API-запрос

const LLMClient = require("Common.MetabotAI.LLMClient")

const llm = new LLMClient("DetectIntent");

llm.setProvider("OpenAI")

llm.setModel("gpt-3.5-turbo")

llm.setErrorScript("MyAgent:ErrorFlow")

llm.setPromptTable("gpt_prompts", "SupportBot")

llm.disableHistory() // Отключаем сохранение истории

if (isFirstImmediateCall) { // Берем историю из следующего флоу

const dialog = new LLMClient("UserDialog")

const history = dialog.getHistory()

llm.addSystemPrompt( `По контексту общения и сообщению пользователя, `+ `определи истинное намерение пользователя.\n` + `Контекст общения: ${JSON.stringify(history)}\n` + `Сообщение пользователя: ${lead.getAttr("user_input")}\n` + `Ответь строго в JSON в поле intent в развернутом виде на русском языке.`)

llm.prepareRequest()

return llm.sendRequest()}

llm.handleResponse()

// Обрабатываем ответ от LLM

bot.sendMessage(`Ответ от LLM: ${llm.getResponseText()}`)

// Получаем JSON и излекаем поле intent

const result = llm.getLastJSON()

const userIntent = result?.intentlead.setAttr("user_intent", userIntent)// Если интент есть -- ищем по базе знаний

if (userIntent) { const KnowbaseSearch = require('Common.MetabotAI.KnowbaseSearch')

const kbSearch = new KnowbaseSearch()

const chunks = kbSearch.findBestChunks("DefaultKB", userIntent, "rehau")

// Сохраняем все, что нашли в kb_chunks

lead.setJsonAttr("kb_chunks", chunks)

bot.sendMessage(`chunks: ${JSON.stringify(chunks)}`)} else {

lead.setJsonAttr("kb_chunks", [])

}// Переходим к следующему ~~этапуllm.~~этапу

llm.nextFlow("MyAgent:FinalAnswer")

3️⃣ Скрипт: `MyAgent:FinalAnswer`

Выполнить асинхронный API-запрос	const LLMClient = require("Common.MetabotAI.LLMClient")const llm = new LLMClient("FinalAnswer")llm.setProvider("OpenAI")llm.setModel("gpt-3.5-turbo")llm.setErrorScript("MyAgent:ErrorFlow")llm.setPromptTable("gpt_prompts", "SupportBot")if (isFirstImmediateCall) { llm.addSystemPrompt(`Ты должен ответить пользователю, используя найденную информацию из базы знаний.`) llm.addSystemPrompt( `Если в базе знаний будут найдены ссылки на медиа контент, `+ `определи релевантность контента, проанализировав их описание, и включи релевантные ссылки в формате markdown. ` + `Сам ссылки не придумывай!`) llm.addSystemPrompt(`Информация из базы: {{$kb_chunks}}`) llm.addSystemPrompt(`Распознаннный интент: {{$user_intent}}`) llm.addHistoryToPrompts() // Добавляем историю llm.addUserPrompt(`{{$user_input}}`) llm.addSystemPrompt(`$UserDialog:final`) // Промпт агента из таблицы llm.addSystemPrompt(`@общий`) // Общий промпт из таблицы llm.prepareRequest() return llm.sendRequest()}llm.handleResponse()llm.sendFormattedResponse()return llm.finishFlow() // Завершаем
Выполнить JavaScript Callback	const LLMFollowUp = require("Common.MetabotAI.LLMFollowUp")// Просто ожидание ввода от пользователя без сообщенияLLMFollowUp.waitForInput("MyAgent:DetectIntent")// СЦЕНАРИЙ 2: Ожидание ввода + кнопки меню//LLMFollowUp.waitForInputOrButton("SupportBot:DetectIntentAndSearch")// СЦЕНАРИЙ 3: Ввод + кнопки + своё сообщение //LLMFollowUp.waitForInputOrButton(// "SupportBot:DetectIntentAndSearch",// "✍️ Можете задать новый вопрос или выбрать из меню:"//)// СЦЕНАРИЙ 4: Используем другую переменную вместо user_input//LLMFollowUp.waitForInputOrButton(// "SupportBot:DetectIntentAndSearch",// "Выберите вариант или напишите свой вопрос:",// "my_user_input"//)

🛑 Скрипт: `MyAgent:ErrorFlow`

Выполнить асинхронный API-запрос

const LLMClient = require("Common.MetabotAI.LLMClient");const llm = new LLMClient("DetectIntent");// Можно дополнительно отправить системное сообщениеbot.sendMessage("⚠️ Произошла ошибка при обращении к ИИ. Давайте попробуем ещё раз!");// Очищаем временные данные (если нужно)lead.setAttr("user_intent", "");lead.setJsonAttr("intent_payload", {});lead.setJsonAttr("kb_chunks", []);// Переходим к начальному этапуllm.nextFlow("SupportBot:DetectIntent")

🧠 Почему история не в первом флоу?

INTENT запрос — технический, он не нужен в памяти диалога. Однако, мы берем историю диалога из второго флоу, чтобы ИИ мог верно определить интент, используя весь контекст диалога.
История ведется и подставляется во втором флоу, чтобы сохранить корректный контекст общения. Ведь, это те сообщения, которые видит пользователь.

📋 Промпты в таблице `gpt_prompts`

Промпты вы может указать, как прямо в коде, как в примере выше, так и в таблице, например так:

agent_name	name	prompt
MyAgent	start	Ты ассистент техподдержки. Помогай пользователям ясно.
MyAgent	intent	Определи намерение пользователя в JSON: {intent, topic}.

Отлично! Мы уже прошли:

Введение
Жизненный цикл LLMClient
Архитектуру команды
Ввод пользователя и кнопки
Пример из двух flow ✅

👉 Следующим по плану был:

🔹 V. Замена агентов: теперь всё делается через `LLMClient`

🧠 Раньше:

Чтобы использовать GPT, приходилось:

явно создавать "агента" через Agents()
регистрировать имя, провайдера, параметры
использовать методы вроде generateActiveAgentAnswer(...)
вызывать агентов из конкретных скриптов по имени
копить историю автоматически

Это был плотно связанный black-box, не всегда удобный для многошаговых диалогов.

✅ Теперь:

Агент — это просто набор флоу-сценариев, реализованных на LLMClient.

Вы управляете:

моделью (gpt-3.5-turbo, gpt-4, и др.)
провайдером (OpenAI, GigaChat, и т.п.)
промптами (из кода или из таблицы)
структурой диалога (разбиваете на флоу)
когда и где включать/выключать историю
форматированием, ошибками, кнопками, интерактивом

📌 А "агент" — это просто имя сессии и структура ваших флоу.

💡 Пример:

const llm = new LLMClient("SalesAssistant")

// Это и есть "агент", но он нигде не регистрируется

// Вы просто пишете логику под это имя

Вы можете в одном проекте создать десятки таких "агентов", не создавая ни одной сущности в базе.

🛠 Агент = LLMClient + промпты + flow-сценарии

Вы теперь сами:

назначаете, какие шаги делает LLM,
подсказываете ему через $prompts,
вставляете куски истории (или не вставляете),
вызываете API, ищете в таблицах, всё вручную комбинируется.

Отлично, поехали 👇

🔹 VI. Варианты источников данных: Knowbase / Таблицы / API

Когда вы строите flow на LLMClient, вы можете дополнительно обогатить ответы LLM:

фрагментами из базы знаний (RAG),
результатами поиска в таблице,
ответами из внешних API,
вообще любой своей логикой.

👉 Всё, что вам нужно — вставить результат в system или user prompt.

🧠 1. Поиск в базе знаний (Knowbase)

Если у вас уже загружена база знаний (Knowbase), можно:

const KnowbaseSearch = require("Common.MetabotAI.KnowbaseSearch")const search = new KnowbaseSearch()const chunks = search.findBestChunks("MyKnowledgeBase", lead.getAttr("user_input"), "domain")const result = chunks.map(c => c.content).join("\n\n")llm.addSystemPrompt(`Вот полезная информация из базы знаний:\n\n${result}`)

📌 Не забудь: база знаний должна быть создана и векторизована заранее, например через knowbaseCreate(...).

📦 Альтернатива базе знаний:

Ты не обязан использовать именно Knowbase. Можно:

📊 2. Поиск в таблице (любая логика)

const items = table.find("product_catalog", ["title", "desc", "price"], [["category", "=", "laptop"]])const top3 = items.slice(0, 3)let txt = top3.map(p => `• ${p.title} -- ${p.price}₽\n${p.desc}`).join("\n\n")llm.addSystemPrompt(`Вот найденные товары:\n\n${txt}`)

🌐 3. Обращение к API

| const city = lead.getAttr("user_city")const url = `https://my-api/weather?city=${encodeURIComponent(city)}\`const response = api.getJson(url)const weather = response?.forecast || "Погода недоступна"lead.setAttr("weather_info", weather) |
| :---- |

А затем подставить результат как промпт

llm.addUserPrompt(`Вот погода для пользователя: ${lead.getAttr("weather_info")}`)

🧠 Суть:

Все эти данные (таблицы, API, поиск) не обрабатываются автоматически — вы сами решаете:

где выполнить логику,
как вставить результат в prompt,
стоит ли сохранять это в lead для следующих шагов,
нужно ли показывать пользователю или использовать только для генерации.

🔹 VIII. Статусы жизненного цикла `LLMClient`

Взято напрямую из исходника Common.MetabotAI.LLMClient, в том числе с точным моментом установки каждого статуса.

🧭 Таблица: жизненный цикл и статусы LLMClient

Статус	Устанавливается после	Что означает
`IDLE`	`new LLMClient(...)`	Начальное состояние. Клиент создан, но ничего ещё не сделано.
`PREPARED`	`prepareRequest()`	Промпты собраны, request готов к отправке.
`WAITING`	`sendRequest()`	Запрос ушёл, ожидаем ответ от провайдера.
`SUCCESS`	`handleResponse()` (200)	Ответ успешно получен, результат готов для логики.
`ERROR`	`handleResponse()` (≠200)	Произошла ошибка при получении ответа.
`ERROR_HANDLED`	`handleResponse()` → fallback	Обработчик ошибки сработал (если задан через `setErrorScript`).
`DONE`	(опционально вручную)	Не используется напрямую — можно установить в логике вручную.

🛠 Как посмотреть текущий статус?

llm.getStatus() // вернёт текущий статус, например: "WAITING"

✅ Где он хранится?

lead.getAttr("llm_<sessionName>_status")

🔹 IX. Переменные и атрибуты для отладки в `LLMClient`

Компонент LLMClient автоматически сохраняет множество атрибутов в lead, чтобы вы могли отлаживать поведение прямо внутри скрипта.

🧪 Таблица: отладочные переменные LLMClient

Переменная	Пример значения	Что хранит / зачем нужна
`llm_<session>_status`	`WAITING`	Текущий статус запроса
`llm_<session>_provider`	`OpenAI`	Название LLM-провайдера
`llm_<session>_params`	`{ model: "gpt-3.5-turbo", temperature: 0.7 }`	Параметры модели
`llm_<session>_messages`	`[{"role": "system", ...}, ...]`	Все промпты, отправленные в запрос
`llm_<session>_history`	`[{"role": "user", ...}, ...]`	История переписки (если включена)
`llm_<session>_callback_script`	`MyAgent:NextStep`	Скрипт, куда вернётся ответ от LLM
`llm_<session>_error_script`	`MyAgent:Fallback`	Скрипт, куда уйдёт в случае ошибки
`llm_<session>_raw_response`	`Вот ваш ответ...`	Текст, возвращённый моделью, до форматирования
`llm_<session>_user_query`	`Сколько лет космосу?`	Последний пользовательский запрос (если использован addUserPrompt)

🔹 X. Таблица методов `LLMClient`

📦 Версия: Common.MetabotAI.LLMClient v2.0

📌 🔧 Базовые методы управления

Метод	Назначение
`new LLMClient(session)`	Создание клиента. `session` — уникальное имя для группы запросов.
`setModel(model)`	Установить модель (например `"gpt-3.5-turbo"`)
`setProvider(provider)`	Установить провайдера (`"OpenAI"`, `"GigaChat"`, и т.д.)
`setModelParams(params)`	Установить параметры модели (temperature, max_tokens, и т.д.)

🧠 Работа с промптами

Метод	Назначение
`addSystemPrompt(text)`	Добавить системный промпт (не сохраняется в историю по умолчанию)
`addUserPrompt(text)`	Добавить промпт от пользователя (сохраняется в историю)
`addAssistantPrompt(text)`	Добавить промпт от ассистента (опционально в историю)
`setPromptTable(table, name)`	Назначить таблицу и имя агента для `$prompt` / `@common`
`addHistoryToPrompts()`	Добавить сохранённую историю в промпты
`clearPrompts()`	Очистить текущий список промптов

🕓 Управление историей

Метод	Назначение
`disableHistory()`	Отключить накопление истории
`clearHistory()`	Очистить историю
`addToHistory(msg)`	Добавить сообщение в историю вручную
`getHistory()`	Получить сохранённую историю

🚀 Запуск запроса

Метод	Назначение
`prepareRequest([script])`	Сохранить промпты и задать callback-скрипт
`sendRequest()`	Отправить асинхронный запрос к LLM через `MBQuery`
`setErrorScript(script)`	Назначить fallback-скрипт при ошибке

📥 Ответ и логика

Метод	Назначение
`handleResponse()`	Обработка ответа от LLM (в этом же скрипте)
`getResponseText()`	Извлечь текст ответа
`getResponseResult()`	Получить весь JSON-ответ
`getLastJSON([text])`	Извлечь JSON из текста ответа (если там JSON)
`extractTextWithoutJSON()`	Удалить JSON из текста и вернуть только чистый текст

📦 Постобработка и переход

Метод	Назначение
`sendResponse()`	Отправить текст ответа пользователю
`sendFormattedResponse()`	Отправить форматированный markdown-ответ
`nextFlow("ScriptName")`	Перейти к следующему скрипту
`finishFlow()`	Завершить текущий flow

🧩 Внутренние утилиты (для макросов и отладки)

Метод	Назначение
`_applyMacros(str)`	Подставить макропеременные `{{$lead_attr}}`, `{{@bot_attr}}` и т.д.
`setStatus(status)`	Установить статус (`WAITING`, `SUCCESS`, и т.д.)
`getStatus()`	Получить текущий статус

Документация LLM Client

🔹 I. Введение и суть нового паттерна с LLMClient

🎯 Что изменилось?

🧠 Что такое LLMClient?

✅ Почему это лучше?

🔹 II. Жизненный цикл работы с LLMClient

🟦 1. Инициализация

🟦 2. Добавление промптов

🟦 3. Макросы и подстановки в таблице промптов

🟦 4. История

🟦 5. Подготовка и отправка

🟦 6. Обработка ответа

🟦 7. Работа с результатом

🔚 Завершение диалога: LLMFollowUp

🔹 Ожидание текста

🔹 С выводом сообщения

🔹 Подмена поля для ввода

🔹 Ожидание текста или кнопки

🔹 III. Архитектура команды (скрипта)

🟦 1. Инициализация и запуск запроса (вверху)

🟦 2. Обработка ответа (ниже, после if (isFirstImmediateCall))

🟦 3. UI, кнопки, меню (опционально)

📦 Пример структуры скрипта (общее):

🔹 IV. Работа с вводом пользователя и кнопками

📦 LLMFollowUp

🟦 1. Ожидание только текста

🟦 2. Ожидание текста или кнопки

📎 Примечания

✅ Резюме

🤖 Агент с двумя флоу: INTENT ➜ ANSWER

📁 Структура скриптов:

1️⃣ Скрипт: MyAgent:Start

2️⃣ Скрипт: MyAgent:DetectIntent

3️⃣ Скрипт: MyAgent:FinalAnswer

🛑 Скрипт: MyAgent:ErrorFlow

🧠 Почему история не в первом флоу?

📋 Промпты в таблице gpt_prompts

👉 Следующим по плану был:

🔹 V. Замена агентов: теперь всё делается через LLMClient

🧠 Раньше:

✅ Теперь:

💡 Пример:

🛠 Агент = LLMClient + промпты + flow-сценарии

🔹 VI. Варианты источников данных: Knowbase / Таблицы / API

🧠 1. Поиск в базе знаний (Knowbase)

📦 Альтернатива базе знаний:

📊 2. Поиск в таблице (любая логика)

🌐 3. Обращение к API

🧠 Суть:

🔹 VIII. Статусы жизненного цикла LLMClient

🧭 Таблица: жизненный цикл и статусы LLMClient

🛠 Как посмотреть текущий статус?

✅ Где он хранится?

🔹 IX. Переменные и атрибуты для отладки в LLMClient

🧪 Таблица: отладочные переменные LLMClient

🔹 X. Таблица методов LLMClient

📌 🔧 Базовые методы управления

🧠 Работа с промптами

🕓 Управление историей

🚀 Запуск запроса

📥 Ответ и логика

📦 Постобработка и переход

🧩 Внутренние утилиты (для макросов и отладки)

🔹 I. Введение и суть нового паттерна с `LLMClient`

🧠 Что такое `LLMClient`?

🔹 II. Жизненный цикл работы с `LLMClient`

🔚 Завершение диалога: `LLMFollowUp`

📦 `LLMFollowUp`

1️⃣ Скрипт: `MyAgent:Start`

2️⃣ Скрипт: `MyAgent:DetectIntent`

3️⃣ Скрипт: `MyAgent:FinalAnswer`

🛑 Скрипт: `MyAgent:ErrorFlow`

📋 Промпты в таблице `gpt_prompts`

🔹 V. Замена агентов: теперь всё делается через `LLMClient`

🔹 VIII. Статусы жизненного цикла `LLMClient`

🔹 IX. Переменные и атрибуты для отладки в `LLMClient`

🔹 X. Таблица методов `LLMClient`