add main.py with Pydantic models and structured output extraction

main.py

@@ -0,0 +1,144 @@
+import os
+import sys
+from typing import Optional, List
+from pydantic import BaseModel, Field
+from langchain_core.output_parsers import PydanticOutputParser
+from langchain_core.prompts import PromptTemplate
+from langchain_openai import ChatOpenAI
+from langchain_ollama import ChatOllama
+
+
+# Pydantic модели
+class PersonInfo(BaseModel):
+    """Информация о человеке"""
+    name: str = Field(description="Имя человека")
+    age: Optional[int] = Field(default=None, description="Возраст человека (если указан)")
+    profession: str = Field(description="Профессия человека")
+    skills: List[str] = Field(default_factory=list, description="Список навыков человека")
+
+
+class MeetingNotes(BaseModel):
+    """Заметки о встрече"""
+    date: str = Field(description="Дата встречи")
+    participants: List[str] = Field(default_factory=list, description="Список участников встрече")
+    topics: List[str] = Field(default_factory=list, description="Обсуждаемые темы")
+    decisions: List[str] = Field(default_factory=list, description="Принятые решения")
+    next_steps: List[str] = Field(default_factory=list, description="Следующие шаги")
+
+
+def get_llm():
+    """Получить LLM (OpenAI или Ollama)"""
+    if os.getenv("OPENAI_API_KEY"):
+        return ChatOpenAI(model="gpt-4o-mini", temperature=0)
+    return ChatOllama(model="llama3.2", temperature=0)
+
+
+def create_person_chain():
+    """Цепочка для извлечения информации о человеке"""
+    parser = PydanticOutputParser(pydantic_object=PersonInfo)
+    prompt = PromptTemplate(
+        template="""
+Извлеки информацию о человеке из текста.
+{format_instructions}
+
+Текст: {text}
+""",
+        input_variables=["text"],
+        partial_variables={"format_instructions": parser.get_format_instructions()}
+    )
+    llm = get_llm()
+    return prompt | llm | parser
+
+
+def create_meeting_chain():
+    """Цепочка для извлечения заметок о встрече"""
+    parser = PydanticOutputParser(pydantic_object=MeetingNotes)
+    prompt = PromptTemplate(
+        template="""
+Извлеки информацию о встрече из текста.
+{format_instructions}
+
+Текст: {text}
+""",
+        input_variables=["text"],
+        partial_variables={"format_instructions": parser.get_format_instructions()}
+    )
+    llm = get_llm()
+    return prompt | llm | parser
+
+
+def classify_text(text: str) -> str:
+    """Определить тип текста: 'person' или 'meeting'"""
+    text_lower = text.lower()
+    
+    # Эвристика для определения типа текста
+    meeting_keywords = ["встреча", "meeting", "участники", "participants", "решения", 
+                      "decisions", "темы", "topics", "следующие шаги", "next steps",
+                      "провели", "прошла", "дата", "date"]
+    
+    person_keywords = ["год", "лет", "years old", "возраст", "age", "профессия",
+                     "profession", "навыки", "skills", "умеет", "знает"]
+    
+    meeting_score = sum(1 for kw in meeting_keywords if kw in text_lower)
+    person_score = sum(1 for kw in person_keywords if kw in text_lower)
+    
+    if meeting_score >= person_score and meeting_score > 0:
+        return "meeting"
+    return "person"
+
+
+def extract_structured_data(text: str) -> BaseModel:
+    """Извлечь структурированные данные из текста"""
+    text_type = classify_text(text)
+    
+    if text_type == "meeting":
+        chain = create_meeting_chain()
+    else:
+        chain = create_person_chain()
+    
+    return chain.invoke({"text": text})
+
+
+def main():
+    """CLI для демонстрации"""
+    # Встроенные примеры
+    person_example = "Анна, 28 лет, Python-разработчик. Навыки: FastAPI, Docker."
+    meeting_example = "Встреча 28.05.2026. Участники: Иван, Мария, Петр. Темы: план проекта, бюджет. Решения: утвердить бюджет. Следующие шаги: подготовить ТЗ."
+    
+    print("=== Структурированный вывод (Pydantic) ===\n")
+    
+    if len(sys.argv) > 1:
+        # Ввод с аргументом командной строки
+        text = " ".join(sys.argv[1:])
+    else:
+        # Выбор примера
+        print("Выберите пример:")
+        print("1. Информация о человеке")
+        print("2. Заметки о встрече")
+        print("3. Ввести свой текст")
+        
+        choice = input("Ваш выбор (1-3): ").strip()
+        
+        if choice == "1":
+            text = person_example
+        elif choice == "2":
+            text = meeting_example
+        elif choice == "3":
+            text = input("Введите текст: ")
+        else:
+            print("Неверный выбор, используется пример 1")
+            text = person_example
+    
+    print(f"\nВход: {text}\n")
+    
+    try:
+        result = extract_structured_data(text)
+        print("Результат:")
+        print(result.model_dump_json(indent=2))
+        print(f"\nТип: {type(result).__name__}")
+    except Exception as e:
+        print(f"Ошибка: {e}")
+
+
+if __name__ == "__main__":
+    main()