mariahberdnikova/dz
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Delete directory 'solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка'

Browse Source
This commit is contained in:
Мария Бердникова
2026-05-27 07:52:44 +00:00
parent b9d4602e36
commit 340157a4a9
5 changed files with 0 additions and 332 deletions
Download Patch File Download Diff File Expand all files Collapse all files
solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md
-91
View File
@@ -1,91 +0,0 @@
# Сырой текст задания → Плоская карточка
## Описание
Данный проект реализует конвертацию «сырого» текста задания в формат **плоской карточки** (flat card). Карточка представляет собой упрощённую, визуально чистую версию исходного документа, пригодную для быстрого просмотра и дальнейшего использования в системах управления задачами или в качестве шаблона для презентаций.
## Структура проекта
```
project/
├── src/
│ ├── main.py # Точка входа – скрипт конвертации
│ ├── utils.py # Вспомогательные функции (парсинг, форматирование)
│ └── templates/ # Шаблоны карточек в формате Markdown / HTML
├── tests/
│ └── test_main.py # Юнит‑тесты
├── requirements.txt # Зависимости проекта
└── README.md # Это файл
```
## Установка зависимостей
```bash
# Создайте виртуальное окружение (рекомендуется)
python -m venv .venv
source .venv/bin/activate # Windows: .\.venv\Scripts\activate
# Установите зависимости из requirements.txt
pip install -r requirements.txt
```
`requirements.txt` содержит только необходимые библиотеки, например:
```text
Jinja2>=3.0 # для шаблонизации карточек
Markdown>=3.4 # при необходимости конвертации Markdown в HTML
```
## Запуск
### Конвертация одного файла
```bash
python src/main.py path/to/raw_task.txt --output path/to/card.md
```
- `path/to/raw_task.txt` – путь к исходному файлу с «сырым» текстом задания.
- `--output` (необязательно) – куда сохранить результат. Если не указано, вывод будет в stdout.
### Конвертация всех файлов из каталога
```bash
python src/main.py path/to/raw_tasks/ --recursive --output-dir path/to/cards/
```
- `--recursive` обрабатывает все `.txt` файлы внутри указанного каталога и его подпапок.
- `--output-dir` – каталог, куда будут сохранены карточки.
## Пример использования
```bash
# Предположим, у нас есть файл task1.txt со следующим содержанием:
#
# # Задача 1
# Описание: Написать скрипт, который конвертирует сырой текст в плоскую карточку.
# Требования:
# - Использовать Python 3.8+
# - Сохранять результат в Markdown
python src/main.py task1.txt --output card_task1.md
```
После выполнения будет создан файл `card_task1.md` со следующим содержимым:
```markdown
# Задача 1
**Описание:**
Написать скрипт, который конвертирует сырой текст в плоскую карточку.
## Требования
- Использовать Python 3.8+
- Сохранять результат в Markdown
```
## Тесты
```bash
pytest tests/
```
Все тесты находятся в каталоге `tests/` и проверяют корректность парсинга, форматирования и генерации карточек.
## Лицензия
MIT License – см. файл `LICENSE`.
---
solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/extract_task_card.py
-85
View File
@@ -1,85 +0,0 @@
from pathlib import Path
import os
from pydantic import BaseModel, Field
from typing import List
# ------------------------------
# Модель карточки задания
# ------------------------------
class TaskCard(BaseModel):
title: str = Field(..., description="Название задания")
subject: str = Field(..., description="Тема/область задачи")
deadline_hint: str = Field(..., description="Подсказка по дедлайну")
deliverable_type: str = Field(
..., description="Тип сдачи (отчёт, код и т.д.)"
)
grading_hints: List[str] = Field(
..., description="Ключевые критерии оценки"
)
# ------------------------------
# Интеграция с LangChain
# ------------------------------
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import PydanticOutputParser
parser = PydanticOutputParser(pydantic_object=TaskCard)
prompt_template = """
You are an assistant that extracts structured information from a natural language description of a task.
Return the data in JSON format matching the following schema:
{format_instructions}
Input: {input_text}
"""
prompt = PromptTemplate(
template=prompt_template,
input_variables=["input_text"],
partial_variables={"format_instructions": parser.get_format_instructions()},
)
# ------------------------------
# Настройка LLM
# ------------------------------
def get_llm() -> ChatOpenAI:
"""
Создаёт экземпляр модели OpenAI.
Ключ берётся из переменной окружения OPENAI_API_KEY.
"""
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
raise RuntimeError(
"Переменная окружения OPENAI_API_KEY не найдена. "
"Пожалуйста, установите ключ API."
)
return ChatOpenAI(model="gpt-4o-mini", temperature=0.2, openai_api_key=api_key)
# ------------------------------
# Основная цепочка
# ------------------------------
def build_chain() -> PromptTemplate:
llm = get_llm()
return prompt | llm | parser
# ------------------------------
# Тестовый запуск
# ------------------------------
if __name__ == "__main__":
# Загрузка переменных окружения из .env, если файл существует
try:
from dotenv import load_dotenv
load_dotenv(dotenv_path=Path(".env"))
except Exception:
pass # Если dotenv не установлен – просто продолжим
raw_text = (
"Сдайте к пятнице мини-отчёт по LangChain: 2 страницы, упор на агентов. "
"Оценка: за полноту и за пример кода."
)
chain = build_chain()
result = chain.invoke({"input_text": raw_text})
print(result.model_dump(indent=4))
solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/requirements.txt
-1
View File
@@ -1 +0,0 @@
<|channel|>commentary to=repo_browser.print_tree code<|message|>{"path": "", "depth": 3}
solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/solution.py
-65
View File
@@ -1,65 +0,0 @@
from typing import List
from pydantic import BaseModel, Field
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import PydanticOutputParser
from langchain_openai import ChatOpenAI
class AssignmentCard(BaseModel):
title: str = Field(..., description="Название задания одной фразой")
subject: str = Field(..., description="Учебная дисциплина или тема")
deadline_hint: str | None = Field(
None,
description="Срок выполнения в произвольной форме, если упомянут",
)
deliverable_type: str = Field(
...,
description="Что нужно сдать: отчёт, код, презентация и т.п.",
)
grading_hints: List[str] | None = Field(
default_factory=list,
description="Критерии оценки, которые явно названы в тексте",
)
def main() -> None:
output_parser = PydanticOutputParser(pydantic_object=AssignmentCard)
template = PromptTemplate(
template=(
"Прочитай описание учебного задания и заполни все поля карточки.\n\n"
"Описание:\n{raw_text}\n\n"
"Верни ответ строго в JSON без лишних пояснений.\n"
"{format_instructions}"
),
input_variables=["raw_text"],
partial_variables={
"format_instructions": output_parser.get_format_instructions()
},
)
model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
chain = template | model | output_parser
sample = (
"Сдайте к пятнице мини-отчёт по LangChain: 2 страницы, упор на агентов. "
"Оценка: за полноту и за пример кода."
)
card: AssignmentCard = chain.invoke({"raw_text": sample})
print("Валидированный объект:")
print(card.model_dump())
print("\nСводка:")
print(
f"Задание «{card.title}» по теме «{card.subject}». "
f"Сдать: {card.deliverable_type}. "
f"Дедлайн: {card.deadline_hint or 'не указан'}. "
f"Оценивается: {', '.join(card.grading_hints) if card.grading_hints else 'критерии не указаны'}."
)
if __name__ == "__main__":
main()
solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/task_card.py
-90
View File
@@ -1,90 +0,0 @@
import os
import sys
from typing import List
from pydantic import BaseModel, Field
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import PydanticOutputParser
# 1. Модель карточки задания
class TaskCard(BaseModel):
title: str = Field(..., description="Краткое название задачи")
subject: str = Field(..., description="Предмет или область знаний")
deadline_hint: str = Field(
..., description="Указание срока сдачи в свободной форме"
)
deliverable_type: str = Field(
...,
description="Тип сдаваемого материала (отчёт, код, презентация и т.д.)",
)
grading_hints: List[str] = Field(
default_factory=list,
description="Ключевые критерии оценки, упомянутые в тексте",
)
# 2. Парсер для гарантированного вывода модели
parser = PydanticOutputParser(pydantic_object=TaskCard)
# 3. Шаблон промпта с инструкцией о формате
prompt_template = PromptTemplate(
template="""
Вы — ассистент, который преобразует неформальное описание задания в структурированный объект.
Нужно вернуть только данные в следующем формате:
{format_instructions}
Текст задания:
"{task_text}"
""",
input_variables=["task_text"],
partial_variables={"format_instructions": parser.get_format_instructions()},
)
# 4. Конфигурация LLM
llm = ChatOpenAI(
temperature=0,
model="gpt-3.5-turbo", # можно заменить на любой доступный вариант
)
# 5. Цепочка: промпт → LLM → парсер
chain = prompt_template | llm | parser
def main():
if len(sys.argv) > 1:
task_text = " ".join(sys.argv[1:])
else:
print("Введите описание задания (Ctrl-D для завершения):")
task_text = sys.stdin.read().strip()
if not task_text:
print("Пустой ввод. Завершение.")
return
# Запуск цепочки
result: TaskCard = chain.invoke({"task_text": task_text})
# Вывод валидированного объекта
print("\n=== Валидированный объект ===")
print(result.model_dump(indent=2))
# Краткая человекочитаемая сводка
summary_parts = [
f"**Название:** {result.title}",
f"**Предмет:** {result.subject}",
f"**Срок сдачи:** {result.deadline_hint}",
f"**Тип сдаваемого материала:** {result.deliverable_type}",
]
if result.grading_hints:
summary_parts.append(
f"**Критерии оценки:** {', '.join(result.grading_hints)}"
)
print("\n=== Сводка ===")
print("\n".join(summary_parts))
if __name__ == "__main__":
main()