# Экзамен: Структурированный вывод (Pydantic)

## 📖 Описание

В этом проекте реализована цепочка LangChain, которая из произвольного текста извлекает **валидированный объект Pydantic** без ручного разбора строк.  
Текст может описывать либо человека, либо встречу. На основе простого определения типа текста выбирается подходящая схема (`PersonInfo` или `MeetingNotes`) и выводится структурированный результат.

### Что умеет проект

| Функция | Что делает |
|---------|------------|
| **Определение типа текста** | На основе эвристики (ключевых слов) выбирается схема |
| **Pydantic‑модели** | `PersonInfo` и `MeetingNotes` с полями и описаниями |
| **Chain** | Prompt → LLM → PydanticOutputParser |
| **CLI** | Ввод текста вручную или выбор из двух встроенных примеров |
| **Вывод** | `model_dump()` + краткая сводка |

---

## ⚙️ Установка зависимостей

```bash
# Создайте виртуальное окружение (рекомендовано)
python -m venv venv
source venv/bin/activate   # Windows: venv\Scripts\activate

# Установите зависимости
pip install langchain-core langchain-openai pydantic python-dotenv
```

> **Важно**:  
> - Требуется Python ≥ 3.10.  
> - Для работы с OpenAI понадобится переменная окружения `OPENAI_API_KEY`.  
> - Если вы хотите использовать Ollama, замените `ChatOpenAI` на `ChatOllama` и установите `langchain-ollama`.

---

## 🚀 Запуск

### 1. Запуск скрипта

```bash
python solution.py
```

После запуска появится меню:

```
Выберите вариант:
1. Ввести текст вручную
2. Использовать пример "Person"
3. Использовать пример "Meeting"
```

Выберите нужный номер и следуйте инструкциям. После обработки вы увидите:

```
=== Структурированный вывод ===
{
  "name": "Иван Иванов",
  "age": 30,
  "profession": "Разработчик",
  "skills": ["Python", "FastAPI", "Docker"]
}
Краткая сводка: 4 поля, 1 необязательное.
```

### 2. Запуск через CLI‑аргументы

```bash
python solution.py --text "Встреча с командой по проекту X..."
```

или

```bash
python solution.py --example person
```

Аргументы:

| Параметр | Описание |
|----------|----------|
| `--text` | Текст, который нужно проанализировать |
| `--example` | `person` или `meeting` – использовать встроенный пример |
| `--model` | Имя модели LLM (по умолчанию `gpt-4o-mini`) |

---

## 📄 Пример использования

```python
from solution import process_text

text = """
Меня зовут Мария Петрова, мне 28 лет. Я работаю аналитиком данных в компании "DataCorp".
Мои навыки: SQL, Python, Tableau, машинное обучение.
"""

result = process_text(text)
print(result.model_dump())
```

Вывод:

```json
{
  "name": "Мария Петрова",
  "age": 28,
  "profession": "аналитик данных",
  "skills": ["SQL", "Python", "Tableau", "машинное обучение"]
}
```

---

## 📚 Структура проекта

```
.
├── solution.py          # Основной скрипт
├── .env                 # Переменные окружения (не включено в репозиторий)
├── README.md            # Это файл
└── requirements.txt     # (опционально) список зависимостей
```

---

## 🔧 Как это работает

1. **Определение типа** – простая эвристика ищет ключевые слова (`"встреча"`, `"команда"`, `"протокол"`) для выбора схемы `MeetingNotes`; иначе – `PersonInfo`.
2. **Prompt** – шаблон, который подставляет текст и задает формат вывода в JSON.
3. **LLM** – генерирует ответ в нужном формате.
4. **PydanticOutputParser** – валидирует и преобразует JSON в объект Pydantic.
5. **Вывод** – `model_dump()` + краткая сводка.

---

## 📦 Зависимости

| Пакет | Версия | Зачем |
|-------|--------|-------|
| `langchain-core` | ≥ 1.0.0 | Основные компоненты LangChain |
| `langchain-openai` | - | LLM‑интеграция |
| `pydantic` | - | Валидация схем |
| `python-dotenv` | - | Загрузка переменных окружения |

---

## 📬 Поддержка и вопросы

Если возникли вопросы, откройте issue в репозитории или напишите в чат проекта.  

---