сырой текст задания → плоская карточка: task.py

solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/task.py

@@ -0,0 +1,97 @@
+# task.py
+
+import os
+from typing import List, Optional
+
+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):
+    """
+    Карточка задания, получаемая из неформального описания.
+    """
+    title: str = Field(..., description="Краткое название задачи")
+    subject: Optional[str] = Field(
+        None,
+        description="Предмет/тема, к которой относится задание (если указано)"
+    )
+    deadline_hint: Optional[str] = Field(
+        None,
+        description="Указание срока сдачи в свободной форме"
+    )
+    deliverable_type: str = Field(..., description="Тип сдаваемого материала")
+    grading_hints: List[str] = Field(
+        default_factory=list,
+        description="Ключевые критерии оценки (если упомянуты)"
+    )
+
+
+# Создаём парсер для Pydantic модели
+parser = PydanticOutputParser(pydantic_object=TaskCard)
+
+# Шаблон промпта. Модель должна вернуть JSON, соответствующий TaskCard.
+prompt_template = PromptTemplate(
+    template="""
+Вы — помощник по анализу учебных заданий.  
+Вам дано неформальное описание задания от преподавателя.  
+Нужно извлечь из него следующую информацию и вернуть в формате JSON,
+соответствующем модели TaskCard:
+
+{format_instructions}
+
+Пример входа:
+{input_text}
+""",
+    input_variables=["input_text"],
+    partial_variables={"format_instructions": parser.get_format_instructions()},
+)
+
+# Инициализируем LLM. Ключ берётся из переменной окружения OPENAI_API_KEY.
+llm = ChatOpenAI(
+    model="gpt-4o-mini",  # можно заменить на нужную модель
+    temperature=0,
+    max_retries=2,
+)
+
+# Строим цепочку: промпт → LLM → парсер
+chain = prompt_template | llm | parser
+
+
+def main():
+    """
+    Пример использования. Вводится строка задания, выводятся:
+      1) валидированный объект TaskCard (dump)
+      2) человекочитаемая сводка
+    """
+    # Для примера берём ввод из переменной окружения или stdin
+    input_text = os.getenv(
+        "TASK_TEXT",
+        "Сдайте к пятнице мини-отчёт по LangChain: 2 страницы, упор на агентов. Оценка: за полноту и за пример кода."
+    )
+
+    # Запускаем цепочку
+    result: TaskCard = chain.invoke({"input_text": input_text})
+
+    # Выводим результат
+    print("\n=== Валидированный объект ===")
+    print(result.model_dump(indent=2))
+
+    print("\n=== Краткая сводка ===")
+    summary_parts = [
+        f"Задача: {result.title}",
+        f"Тема: {result.subject or 'не указана'}",
+        f"Срок сдачи: {result.deadline_hint or 'не указан'}",
+        f"Тип сдаваемого материала: {result.deliverable_type}",
+    ]
+    if result.grading_hints:
+        summary_parts.append(
+            "Критерии оценки: " + ", ".join(result.grading_hints)
+        )
+    print("; ".join(summary_parts))
+
+
+if __name__ == "__main__":
+    main()