import os
from pydantic import BaseModel, Field
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import PydanticOutputParser

class TaskCard(BaseModel):
    title: str = Field(..., description="Краткое название задачи")
    subject: str = Field(..., description="Предмет или область")
    deadline_hint: str = Field(..., description="Краткая подсказка о сроке")
    deliverable_type: str = Field(..., description="Тип сдачи: отчёт, код, презентация и т.д.")
    grading_hints: list[str] = Field(..., description="Список критериев оценки")

# LLM configuration – BroJS
llm = ChatOpenAI(
    model="openai/gpt-oss-20b:free",
    base_url="https://platform.brojs.ru/jrnl-bh/api/inference/v1",
    api_key=os.getenv("JOURNAL_MCP_PAT"),
    temperature=0.5,
)

parser = PydanticOutputParser(pydantic_object=TaskCard)

prompt_template = """\nНиже приведена формулировка задания от преподавателя.\nВаша задача – вернуть данные в формате JSON, соответствующем модели TaskCard.\n{format_instructions}\n\nФормулировка: {input_text}\n"""

prompt = PromptTemplate(
    template=prompt_template,
    input_variables=["input_text"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)

chain = prompt | llm | parser

if __name__ == "__main__":
    example = "Сдайте к пятнице мини-отчёт по LangChain: 2 страницы, упор на агентов. Оценка: за полноту и за пример кода."
    result = chain.invoke({"input_text": example})
    print("\n--- Parsed Result ---")
    print(result.model_dump())
    print("\n--- Summary ---")
    print(f"Title: {result.title}")
    print(f"Subject: {result.subject}")
    print(f"Deadline hint: {result.deadline_hint}")
    print(f"Deliverable type: {result.deliverable_type}")
    print(f"Grading hints: {', '.join(result.grading_hints)}")