Delete directory 'solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка'

2026-05-27 07:52:44 +00:00
parent b9d4602e36
commit 340157a4a9
5 changed files with 0 additions and 332 deletions
@@ -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`.
 ---
@@ -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))
@@ -1 +0,0 @@
 <|channel|>commentary to=repo_browser.print_tree code<|message|>{"path": "", "depth": 3}
@@ -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()
@@ -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()
		`@@ -1 +0,0 @@`
			`<\|channel\|>commentary to=repo_browser.print_tree code<\|message\|>{"path": "", "depth": 3}`