add: main.py

main.py

@@ -0,0 +1,150 @@
+"""
+# main.py – пример решения задания «Structured output – Union событий API»
+# Использует deepagents, langchain-openai, pydantic v2 и стандартный argparse.
+# Запуск: python main.py [--log TEXT]
+# Если --log не указан, используется встроенный пример.
+"""
+import os
+import argparse
+import asyncio
+from typing import Annotated, Literal, Union
+
+from langchain_openai import ChatOpenAI
+from langchain_core.messages import HumanMessage
+from langchain.tools import tool
+from deepagents import create_deep_agent
+from deepagents.backends import FilesystemBackend, LocalShellBackend, CompositeBackend
+from pydantic import BaseModel, Field
+from langchain_core.output_parsers import PydanticOutputParser
+
+# ---------------------------------------------------------------------------
+# 1. Модели Pydantic
+# ---------------------------------------------------------------------------
+class HttpOkEvent(BaseModel):
+    kind: Literal["ok"] = Field("ok", description="Тип события – успешный запрос")
+    status: Literal[200] = Field(200, description="HTTP‑код 200")
+    path: str = Field(..., description="Запрошенный путь")
+    duration_ms: int = Field(..., description="Время выполнения в миллисекундах")
+
+class HttpErrorEvent(BaseModel):
+    kind: Literal["error"] = Field("error", description="Тип события – ошибка")
+    status: int = Field(..., description="HTTP‑код ошибки (4xx/5xx)")
+    path: str = Field(..., description="Запрошенный путь")
+    error_message: str = Field(..., description="Текст ошибки")
+
+ApiEvent = Annotated[Union[HttpOkEvent, HttpErrorEvent], Field(discriminator="kind")]
+
+# ---------------------------------------------------------------------------
+# 2. LLM и агент
+# ---------------------------------------------------------------------------
+llm = ChatOpenAI(
+    model="openai/gpt-oss-20b:free",
+    base_url="https://openrouter.ai/api/v1",
+    api_key=os.getenv("OPENAI_API_KEY"),
+    temperature=0.0,
+)
+
+backend = CompositeBackend([
+    LocalShellBackend(workspace_dir="./workspace"),
+    FilesystemBackend(),
+])
+
+# Парсер Pydantic
+parser = PydanticOutputParser(pydantic_object=ApiEvent)
+
+# ---------------------------------------------------------------------------
+# 3. Инструмент – парсинг одного блока лога
+# ---------------------------------------------------------------------------
+@tool
+def parse_log_block(block: str) -> str:
+    """Парсит один блок лога и возвращает JSON‑строку, соответствующую ApiEvent."""
+    # Формируем запрос к LLM
+    prompt = (
+        """
+        Извлеките из следующего блока лога одно событие API и представьте его в JSON‑формате, соответствующем одной из двух схем:
+
+        1. HttpOkEvent: {"kind": "ok", "status": 200, "path": "/api/...", "duration_ms": 123}
+        2. HttpErrorEvent: {"kind": "error", "status": 404, "path": "/api/...", "error_message": "Not Found"}
+
+        Ваша задача – не использовать regex, а просто сформировать корректный JSON, который можно распарсить Pydantic.
+        """
+        + "\n---\n"
+        + block
+        + "\n---"
+    )
+    response = llm.invoke([HumanMessage(content=prompt)])
+    json_text = response.content.strip()
+    # Убедимся, что ответ начинается с { и заканчивается }
+    if not (json_text.startswith("{") and json_text.endswith("}")):
+        raise ValueError("LLM не вернул корректный JSON")
+    return json_text
+
+# ---------------------------------------------------------------------------
+# 4. Агент – обрабатывает весь текст лога, разбивает на блоки и собирает список событий
+# ---------------------------------------------------------------------------
+agent = create_deep_agent(
+    model=llm,
+    tools=[parse_log_block],
+    backend=backend,
+    system_prompt="You are a log‑parser agent. Parse each log block into a structured event.",
+)
+
+async def process_log(text: str):
+    # Разбиваем на блоки по строке "---" (или по пустой строке)
+    blocks = [b.strip() for b in text.split("---") if b.strip()]
+    events = []
+    for block in blocks:
+        # Запускаем агент для одного блока
+        result = await agent.ainvoke(
+            {"messages": [HumanMessage(content=block)]},
+            {"configurable": {"thread_id": "log-session"}},
+        )
+        json_str = result["messages"][-1].content
+        event = parser.parse(json_str)
+        events.append(event)
+    return events
+
+# ---------------------------------------------------------------------------
+# 5. CLI
+# ---------------------------------------------------------------------------
+DEFAULT_LOG = """
+GET /api/users 200 123ms
+---
+POST /api/login 404 Not Found
+---
+GET /api/orders 500 Internal Server Error
+---
+PUT /api/users/42 200 45ms
+"""
+
+def main():
+    parser_cli = argparse.ArgumentParser(description="Parse raw API logs into structured events.")
+    parser_cli.add_argument("--log", type=str, help="Путь к файлу с логом или сам лог в кавычках")
+    args = parser_cli.parse_args()
+
+    if args.log:
+        if os.path.isfile(args.log):
+            with open(args.log, "r", encoding="utf-8") as f:
+                raw_log = f.read()
+        else:
+            raw_log = args.log
+    else:
+        raw_log = DEFAULT_LOG
+
+    events = asyncio.run(process_log(raw_log))
+
+    # Выводим каждый объект в виде model_dump
+    for ev in events:
+        print(ev.model_dump())
+
+    # Таблица
+    print("\nТаблица: kind | path | status | ...")
+    print("----------------------------------------")
+    for ev in events:
+        if ev.kind == "ok":
+            print(f"{ev.kind:<4} | {ev.path:<20} | {ev.status:<5} | duration={ev.duration_ms}ms")
+        else:
+            print(f"{ev.kind:<4} | {ev.path:<20} | {ev.status:<5} | error='{ev.error_message}'")
+
+if __name__ == "__main__":
+    main()