Загрузить файлы в «src/subagents»

src/subagents/analyzer.py

@@ -0,0 +1,75 @@
+"""
+Субагент-аналитик: читает условие задания и возвращает список файлов для создания.
+"""
+
+import re
+from langchain_core.messages import SystemMessage, HumanMessage
+from ..utils import parse_json
+
+PROMPT = """Ты — аналитик заданий по программированию. Прочитай условие задания и составь ПОЛНЫЙ список файлов которые нужно создать.
+
+## Правила анализа
+
+1. Сначала найди ВСЕ упоминания файлов в условии — ищи слова вида "файл X.py", "создай X.py", "X.py должен", "files_to_create", списки файлов.
+2. Включи в план КАЖДЫЙ упомянутый файл — пропускать нельзя.
+3. Если в условии названы server.py и client.py — в плане должны быть ОБА.
+4. Если в условии упоминается конкретный стек (FastMCP, Qdrant и т.д.) — учти его при выборе файлов.
+5. ВСЕГДА добавляй requirements.txt и README.md.
+6. Не придумывай файлы, которых нет в условии; если имя не указано — используй solution.py.
+
+## ОБЯЗАТЕЛЬНО
+- В плане ДОЛЖНЫ быть ВСЕ кодовые файлы из условия, не только первый.
+- Если условие требует 3 файла — в плане будет 3 кодовых файла + requirements.txt + README.md.
+- README.md и requirements.txt НЕ считаются кодовыми файлами.
+
+Верни ТОЛЬКО валидный JSON без markdown и пояснений:
+{
+  "files": [
+    {"filename": "server.py", "purpose": "FastMCP сервер с инструментами get/set/delete"},
+    {"filename": "client.py", "purpose": "клиентский скрипт для тестирования сервера"},
+    {"filename": "requirements.txt", "purpose": "зависимости проекта"},
+    {"filename": "README.md", "purpose": "документация"}
+  ]
+}"""
+
+_SERVICE_FILES = {"requirements.txt", "README.md"}
+
+
+def analyze_task(llm, task_title: str, task_description: str) -> list[dict]:
+    """
+    Анализирует условие задания и возвращает список кодовых файлов для создания.
+    Каждый элемент: {"filename": "...", "purpose": "..."}.
+    """
+    print(f"[ANALYZER] 🔍 Анализирую файлы для: «{task_title}»")
+
+    r = llm.invoke([
+        SystemMessage(content=PROMPT),
+        HumanMessage(content=f"Задание: {task_title}\n\nУсловие:\n{task_description}"),
+    ])
+    plan = parse_json(r.content)
+
+    raw_files = plan.get("files", []) if plan else []
+
+    # Нормализуем: LLM иногда возвращает строки вместо объектов
+    all_files = [
+        f if isinstance(f, dict) else {"filename": f, "purpose": ""}
+        for f in raw_files
+    ]
+
+    code_files = [f for f in all_files if f["filename"] not in _SERVICE_FILES]
+
+    if not code_files:
+        print("[ANALYZER] ⚠️  Нет кодовых файлов в плане — добавляю solution.py")
+        code_files = [{"filename": "solution.py", "purpose": "основное решение задания"}]
+
+    # Страховка: добавляем файлы, явно упомянутые в условии но пропущенные LLM
+    mentioned = re.findall(r'\b[\w][\w.-]*\.(?:py|js|ts|sh|sql|html|css)\b', task_description)
+    plan_fnames = {f["filename"] for f in code_files}
+    for mf in dict.fromkeys(mentioned):
+        if mf not in plan_fnames and mf not in _SERVICE_FILES:
+            print(f"[ANALYZER] ➕ Добавляю файл из условия: {mf}")
+            code_files.append({"filename": mf, "purpose": "файл упомянутый в условии задания"})
+            plan_fnames.add(mf)
+
+    print(f"[ANALYZER] 📁 Итого файлов: {[f['filename'] for f in code_files]}")
+    return code_files

src/subagents/coder.py

@@ -0,0 +1,58 @@
+"""
+Субагент-кодер: пишет или редактирует один файл.
+"""
+
+from langchain_core.messages import SystemMessage, HumanMessage
+from ..utils import strip_md
+
+WRITE_PROMPT = """Ты — опытный Python-разработчик. Напиши ОДИН файл решения.
+
+Правила:
+- Реализуй ВСЁ что требует условие для ЭТОГО файла
+- Код запускается без ошибок
+- Комментарии на русском языке
+- Без заглушек (pass, TODO, raise NotImplementedError)
+- Используй именно тот стек что указан в условии (FastMCP, rich, Qdrant, LangChain и т.д.)
+- Верни ТОЛЬКО чистый код без markdown-обёртки и пояснений"""
+
+EDIT_PROMPT = """Ты — опытный Python-разработчик. Тебе дан файл с кодом и инструкция по его доработке.
+
+Правила:
+- Внеси ТОЛЬКО те изменения, которые описаны в инструкции. Не трогай остальной код.
+- Код должен оставаться рабочим после правок.
+- Комментарии на русском языке.
+- Без заглушек (pass, TODO, raise NotImplementedError).
+- Верни ПОЛНОЕ содержимое файла после правок — без markdown-обёртки и пояснений."""
+
+
+def write_file(llm, task_title: str, task_description: str, filename: str, purpose: str) -> str:
+    """Пишет содержимое одного файла по условию задания."""
+    print(f"[CODER] ✍️  Пишу {filename} ({purpose})...")
+    r = llm.invoke([
+        SystemMessage(content=WRITE_PROMPT),
+        HumanMessage(content=(
+            f"Задание: {task_title}\n\n"
+            f"Условие:\n{task_description}\n\n"
+            f"Сейчас пиши ТОЛЬКО файл: {filename}\n"
+            f"Назначение этого файла: {purpose}"
+        )),
+    ])
+    content = strip_md(r.content)
+    print(f"[CODER] ✅ {filename}: {len(content)} символов")
+    return content
+
+
+def edit_file_content(llm, filename: str, current_content: str, instruction: str) -> str:
+    """Вносит правки в существующий файл по инструкции пользователя."""
+    print(f"[CODER] ✍️  Редактирую {filename}: {instruction[:60]}...")
+    r = llm.invoke([
+        SystemMessage(content=EDIT_PROMPT),
+        HumanMessage(content=(
+            f"Файл: {filename}\n\n"
+            f"Текущий код:\n{current_content}\n\n"
+            f"Инструкция по правке:\n{instruction}"
+        )),
+    ])
+    content = strip_md(r.content)
+    print(f"[CODER] ✅ {filename} отредактирован: {len(content)} символов")
+    return content

src/subagents/documenter.py

@@ -0,0 +1,47 @@
+"""
+Субагент-документатор: генерирует requirements.txt и README.md.
+"""
+
+from langchain_core.messages import SystemMessage, HumanMessage
+from ..utils import strip_md
+
+REQUIREMENTS_PROMPT = """Посмотри на эти Python-файлы и напиши минимальный requirements.txt.
+Верни ТОЛЬКО содержимое файла — одна библиотека на строку, без комментариев.
+Если нужны конкретные версии — укажи. Никакого лишнего текста."""
+
+README_PROMPT = """Напиши README.md для этого проекта.
+Включи: описание, установка зависимостей, запуск каждого файла, пример использования.
+Верни ТОЛЬКО markdown."""
+
+
+def write_requirements(llm, code_files: dict[str, str]) -> str:
+    """Генерирует requirements.txt на основе написанного кода."""
+    print("[DOCUMENTER] 📦 Пишу requirements.txt...")
+    preview = "\n\n# ---\n\n".join(
+        f"# {fn}\n{code[:1500]}" for fn, code in code_files.items()
+    )
+    r = llm.invoke([
+        SystemMessage(content=REQUIREMENTS_PROMPT),
+        HumanMessage(content=preview),
+    ])
+    return strip_md(r.content)
+
+
+def write_readme(llm, task_title: str, task_description: str, code_files: dict[str, str]) -> str:
+    """Генерирует README.md для проекта."""
+    print("[DOCUMENTER] 📄 Пишу README.md...")
+    # Передаём фрагменты ВСЕХ файлов, а не только первого
+    code_previews = "\n\n".join(
+        f"### {fn}\n```python\n{code[:800]}\n```"
+        for fn, code in code_files.items()
+    )
+    r = llm.invoke([
+        SystemMessage(content=README_PROMPT),
+        HumanMessage(content=(
+            f"Проект: {task_title}\n\n"
+            f"Файлы проекта: {', '.join(code_files.keys())}\n\n"
+            f"Условие задания:\n{task_description[:1500]}\n\n"
+            f"Фрагменты кода:\n{code_previews}"
+        )),
+    ])
+    return strip_md(r.content)

src/subagents/validator.py

@@ -0,0 +1,72 @@
+"""
+Субагент-валидатор: проверяет обоснованность замечания проверяющего.
+"""
+
+from langchain_core.messages import SystemMessage, HumanMessage
+from ..utils import parse_json, strip_md
+
+PROMPT = """Ты — эксперт по проверке кода. Тебе дано условие задания, написанный код и замечание проверяющего.
+
+Твоя задача: определить, ВЕРНО ли замечание проверяющего.
+
+Замечание ВЕРНО — если код действительно не выполняет требования задания (ошибка в логике, отсутствует функционал, неверный стек и т.д.).
+Замечание НЕВЕРНО — если код корректно выполняет все требования задания, а замечание ошибочно или придирчиво.
+
+Будь объективен. Если код правильный — не соглашайся с замечанием.
+
+Верни ТОЛЬКО валидный JSON без markdown:
+{
+  "valid": true,
+  "explanation": "Краткое объяснение почему замечание верно или неверно",
+  "files_to_fix": ["server.py"],
+  "fix_instruction": "Что конкретно исправить в коде (только если valid=true, иначе null)"
+}"""
+
+
+def validate_remark(
+    llm,
+    task_description: str,
+    code_files: dict[str, str],
+    reviewer_comment: str,
+) -> dict:
+    """
+    Проверяет обоснованность замечания проверяющего.
+
+    Returns:
+        {
+          "valid": bool,             — замечание обоснованно?
+          "explanation": str,        — аргументация
+          "files_to_fix": list[str], — файлы для правки (если valid=True)
+          "fix_instruction": str,    — что именно исправить (если valid=True)
+        }
+    """
+    print(f"[VALIDATOR] 🔍 Проверяю замечание: «{reviewer_comment[:80]}»")
+
+    code_block = "\n\n".join(
+        f"### {fn}\n```\n{code[:2000]}\n```"
+        for fn, code in code_files.items()
+    )
+
+    r = llm.invoke([
+        SystemMessage(content=PROMPT),
+        HumanMessage(content=(
+            f"## Условие задания\n{task_description}\n\n"
+            f"## Написанный код\n{code_block}\n\n"
+            f"## Замечание проверяющего\n{reviewer_comment}"
+        )),
+    ])
+
+    result = parse_json(r.content)
+    if not result or "valid" not in result:
+        # Если LLM не вернул JSON — считаем замечание обоснованным (безопасный fallback)
+        print("[VALIDATOR] ⚠️  Не удалось распарсить ответ, считаю замечание обоснованным")
+        return {
+            "valid": True,
+            "explanation": "Не удалось автоматически проверить замечание",
+            "files_to_fix": list(code_files.keys()),
+            "fix_instruction": reviewer_comment,
+        }
+
+    verdict = "обоснованно" if result["valid"] else "НЕ обоснованно"
+    print(f"[VALIDATOR] {'✅' if result['valid'] else '❌'} Замечание {verdict}: {result.get('explanation', '')[:100]}")
+    return result