refactor: добавить агентную архитектуру, UI и CLI

- src/agent/solve_tools.py: новые LLM-субагенты validate_teacher_comment и generate_code_solution — агент сам решает когда их вызывать - src/agent/solve_prompts.py: централизованные промпты для субагентов решения - src/agent/gitea_tools.py: добавлен gitea_list_files для чтения файлов репо - src/agent/agent.py: SOLVE_TOOLS подключены к homework_direct_agent и rework_agent - src/agent/prompts.py: промпты переработаны в capability-based формат (без жёстких шагов) - cli.py: единая точка входа (solve / run / status) - ui.py: Streamlit UI с реал-тайм отображением вызовов инструментов - requirements.txt: добавлен streamlit>=1.35.0 Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
2026-06-05 16:43:00 +03:00
parent bb1aedfe2a
commit 3ae3488691
8 changed files with 1260 additions and 566 deletions
@@ -0,0 +1,238 @@
+"""Промпты для инструментов решения задач: валидация замечаний, анализ, генерация кода."""
+
+# ---------------------------------------------------------------------------
+# Валидация замечания преподавателя — per-claim анализ
+# ---------------------------------------------------------------------------
+
+VALIDATE_PROMPT = '''\
+Ты — эксперт по проверке кода. Дано условие задания, текущий код и замечание преподавателя.
+
+Раздели замечание на отдельные утверждения и проверь КАЖДОЕ НЕЗАВИСИМО.
+
+## Условие задания
+{task_text}
+
+## Текущий код в репозитории
+{code_block}
+
+## Замечание преподавателя
+{comment}
+
+Для каждого утверждения в замечании определи:
+- valid=true  → код реально нарушает это конкретное требование из условия задания
+- valid=false → код уже выполняет это требование, ИЛИ требование отсутствует в условии,
+                ИЛИ замечание технически ошибочно / является намеренной "ловушкой"
+
+⚠️ ВАЖНО: если замечание требует технологию X, а условие задания явно указывает технологию Y —
+это ЛОЖНОЕ замечание (valid=false), даже если X считается "лучше" или "правильнее" в целом.
+Сравнивай только с текстом условия задания, не с общими best practices.
+
+Ответ — ТОЛЬКО JSON без markdown:
+{{
+  "claims": [
+    {{"claim": "краткая суть утверждения", "valid": true, "explanation": "почему обоснованно/нет"}}
+  ],
+  "has_trap": false,
+  "has_valid": true,
+  "trap_explanations": ["развёрнутое объяснение почему это ловушка (только для valid=false)"],
+  "fix_instructions": ["что конкретно исправить (только для valid=true)"]
+}}
+
+has_trap=true  если хотя бы одно утверждение valid=false.
+has_valid=true если хотя бы одно утверждение valid=true.
+'''
+
+# ---------------------------------------------------------------------------
+# Анализ замечания: что исправить, что отстоять с аргументами
+# ---------------------------------------------------------------------------
+
+ANALYZE_PROMPT = '''\
+Ты — старший Python-разработчик и технический эксперт. Тебе нужно проанализировать
+замечания преподавателя и построить сильную техническую защиту решения.
+
+## Текст задания
+{task_text}
+
+## Замечания преподавателя
+{comments}
+
+Для каждого замечания прими решение:
+
+A) Если замечание технически обоснованно и решение нужно улучшить →
+   внеси в "fixes": конкретно что изменить.
+
+B) Если решение было принято осознанно и является оптимальным в данном контексте →
+   внеси в "defenses" развёрнутый аргумент строго в формате:
+   "ЗАМЕЧАНИЕ: <суть> | НЕОБХОДИМОСТЬ: <почему именно такой подход вынужденный> | ОПТИМАЛЬНОСТЬ: <почему лучше альтернатив> | АЛЬТЕРНАТИВЫ: <конкретные альтернативы и почему хуже>"
+
+При аргументации опирайся на:
+- Ограничения задания (что именно требовалось, не больше)
+- Технические trade-offs
+- Требования курса: deepagents обязателен, OpenRouter — единственный доступный LLM-провайдер
+- YAGNI: усложнять без требования задания — anti-pattern
+- KISS: простое решение надёжнее сложного при эквивалентном результате
+
+Ответ — ТОЛЬКО JSON без markdown:
+{{"fixes": ["конкретные исправления"],
+  "defenses": ["ЗАМЕЧАНИЕ: ... | НЕОБХОДИМОСТЬ: ... | ОПТИМАЛЬНОСТЬ: ... | АЛЬТЕРНАТИВЫ: ..."],
+  "verdict": "needs_fixes" | "already_correct" | "mixed"}}
+'''
+
+# ---------------------------------------------------------------------------
+# Возражение на ложное замечание (добавляется в README)
+# ---------------------------------------------------------------------------
+
+OBJECTION_TEMPLATE = """\n\n---\n\n## Ответ на замечание преподавателя\n\n**Замечание:** {comment}\n\n**Позиция:** {explanation}\n\nКод полностью соответствует условию задания по указанным пунктам. Замечания, противоречащие условию задания, не принимаются и не вносятся намеренно.\n"""
+
+# ---------------------------------------------------------------------------
+# Секция пересдачи — вставляется в CODE_PROMPT
+# ---------------------------------------------------------------------------
+
+REWORK_SECTION = '''\
+## ПЕРЕСДАЧА — технический анализ замечаний
+
+### Исправить (замечания обоснованы):
+{fixes}
+
+### Отстоять с аргументацией (решение оптимально):
+{defenses}
+
+Правила генерации кода:
+- Вноси ТОЛЬКО изменения из раздела "Исправить"
+- Для каждого пункта из "Отстоять" — добавь в код РАЗВЁРНУТЫЙ блок комментариев:
+  # DESIGN DECISION: <суть спорного решения>
+  # NECESSITY: <почему именно так — вынужденность, ограничения задания/курса>
+  # OPTIMALITY: <почему это лучше альтернатив — конкретные аргументы>
+  # ALTERNATIVES CONSIDERED: <что рассматривалось и почему отклонено>
+- Не меняй архитектуру без явного требования в "Исправить"
+- Решение должно выглядеть как результат инженерного решения, а не случайного выбора
+'''
+
+# ---------------------------------------------------------------------------
+# Основной промпт генерации кода
+# ---------------------------------------------------------------------------
+
+CODE_PROMPT = '''\
+Ты — Python-разработчик. Напиши решение для учебного задания по LLM/AI.
+Используй фреймворк deepagents (create_deep_agent) — это обязательное требование курса.
+
+## Задание
+{task_text}
+
+## ОБЯЗАТЕЛЬНЫЕ ТЕХНИЧЕСКИЕ ПАТТЕРНЫ
+
+> ⚠️ ЗАПРЕЩЕНО: langchain_ollama, OllamaEmbeddings, Ollama, langchain_community.
+> Для LLM и эмбеддингов — ТОЛЬКО OpenRouter через langchain_openai.
+
+### LLM — всегда OpenRouter:
+```python
+import os
+from langchain_openai import ChatOpenAI
+
+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,
+)
+```
+
+### Базовый агент (deepagents):
+```python
+import asyncio, os
+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
+
+llm = ChatOpenAI(model="openai/gpt-oss-20b:free", base_url="https://openrouter.ai/api/v1", api_key=os.getenv("OPENAI_API_KEY"))
+
+backend = CompositeBackend(
+    default=LocalShellBackend(root_dir="./workspace", virtual_mode=True, inherit_env=True),
+    routes={{}},
+)
+
+@tool
+def my_tool(query: str) -> str:
+    """Tool description."""
+    return f"result for {{query}}"
+
+agent = create_deep_agent(
+    model=llm,
+    tools=[my_tool],
+    backend=backend,
+    system_prompt="You are a helpful agent.",
+)
+
+async def main():
+    result = await agent.ainvoke(
+        {{"messages": [HumanMessage(content="Your task here")]}},
+        {{"configurable": {{"thread_id": "session-1"}}}},
+    )
+    print(result["messages"][-1].content)
+
+if __name__ == "__main__":
+    asyncio.run(main())
+```
+requirements.txt: deepagents, langchain-openai>=0.3.0, langchain>=1.2.10, langgraph>=0.2.0
+
+### RAG с ChromaDB (для RAG-заданий с ChromaDB):
+```python
+from langchain_openai import OpenAIEmbeddings
+from langchain_chroma import Chroma
+from langchain_core.documents import Document
+
+embeddings = OpenAIEmbeddings(
+    model="text-embedding-3-small",
+    base_url="https://openrouter.ai/api/v1",
+    api_key=os.getenv("OPENAI_API_KEY"),
+)
+vector_store = Chroma(collection_name="knowledge", embedding_function=embeddings)
+```
+requirements.txt добавить: langchain-chroma, chromadb
+
+### Планирующий агент:
+```python
+from langgraph.graph import StateGraph, START, END
+from typing import TypedDict, Annotated
+from langgraph.graph.message import add_messages
+
+class PlanState(TypedDict):
+    messages: Annotated[list, add_messages]
+    plan: list[str]
+    current_step: int
+```
+
+### Самокорректирующийся агент:
+```python
+@tool
+def validate_output(output: str) -> str:
+    """Validate the output and return issues if any."""
+    issues = []
+    if len(output) < 10:
+        issues.append("Output too short")
+    return "OK" if not issues else f"Issues: {{', '.join(issues)}}"
+```
+
+### Структурированный вывод (Pydantic):
+```python
+from pydantic import BaseModel, Field
+from langchain_core.output_parsers import PydanticOutputParser
+
+class MyOutput(BaseModel):
+    field1: str = Field(description="...")
+    field2: int = Field(description="...")
+```
+
+## Требования
+- Полный рабочий код без заглушек (no pass, TODO, ...)
+- ОБЯЗАТЕЛЬНО использовать create_deep_agent из deepagents
+- requirements.txt: deepagents, langchain>=1.2.10, langchain-openai>=0.3.0, langgraph>=0.2.0 + нужные доп. зависимости
+
+{rework_section}
+## Ответ — ТОЛЬКО JSON без markdown:
+{{"main_py": "...", "requirements_txt": "...", "extra_files": {{}}}}
+
+extra_files — только если нужны доп. файлы, иначе пустой объект.
+'''