45 lines
2.1 KiB
Python
45 lines
2.1 KiB
Python
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)}")
|