Обновить solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/task_parser.py

solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/task_parser.py

@@ -1,6 +1,5 @@
 from __future__ import annotations
 
-import os
 from typing import List
 
 from dotenv import load_dotenv
@@ -9,103 +8,72 @@ from langchain_core.prompts import PromptTemplate
 from langchain_openai import ChatOpenAI
 from pydantic import BaseModel, Field
 
-# --------------------------------------------------------------------------- #
-# 1. Загрузка переменных окружения (ключи API и т.п.)
-# --------------------------------------------------------------------------- #
-load_dotenv()  # загружаем .env если он есть
+load_dotenv()
 
 
-# --------------------------------------------------------------------------- #
-# 2. Модель карточки задания
-# --------------------------------------------------------------------------- #
 class TaskCard(BaseModel):
-    """
-    Карточка задачи, сформированная из неформального описания.
-    """
-
     title: str = Field(
         ...,
-        description="Краткое название задачи (например, «Мини‑отчёт по LangChain»).",
+        description="Краткое название задачи",
     )
     subject: str | None = Field(
         None,
-        description=(
-            "Тема или предмет, к которому относится задача. "
-            "Если не указано – оставляем пустым."
-        ),
+        description="Тема или предмет задачи",
     )
     deadline_hint: str | None = Field(
         None,
-        description="Указание срока сдачи в свободной форме (например, «к пятнице»).",
+        description="Срок сдачи в свободной форме",
     )
     deliverable_type: str | None = Field(
         None,
-        description=(
-            "Тип сдаваемого материала – отчёт, код, презентация и т.п. "
-            "Если не указано – оставляем пустым."
-        ),
+        description="Тип сдаваемого материала: отчёт, код, презентация и т.п.",
     )
     grading_hints: List[str] | None = Field(
         None,
-        description="Список ключевых критериев оценки (например, ['полнота', 'пример кода']).",
+        description="Ключевые критерии оценки",
     )
 
 
-# --------------------------------------------------------------------------- #
-# 3. Настройка LLM и парсера
-# --------------------------------------------------------------------------- #
-llm = ChatOpenAI(temperature=0)  # можно задать модель через переменную окружения
-
+def main() -> None:
     parser = PydanticOutputParser(pydantic_object=TaskCard)
 
-prompt_template = PromptTemplate(
-    template="""
-Ниже приведено неформальное описание задания от преподавателя.  
-Пожалуйста, извлеките из него следующую информацию и верните её в формате JSON,
-соответствующем модели TaskCard:
-
-{format_instructions}
-
-Описание:
-"{input_text}"
-""",
+    template = PromptTemplate(
+        template=(
+            "Прочитай описание учебного задания и извлеки информацию в JSON.\n\n"
+            "Описание:\n{input_text}\n\n"
+            "{format_instructions}"
+        ),
         input_variables=["input_text"],
-    partial_variables={"format_instructions": parser.get_format_instructions()},
+        partial_variables={
+            "format_instructions": parser.get_format_instructions()
+        },
     )
 
-# --------------------------------------------------------------------------- #
-# 4. Цепочка: промпт → LLM → парсер
-# --------------------------------------------------------------------------- #
-task_chain = prompt_template | llm | parser
+    model = ChatOpenAI(temperature=0)
 
+    chain = template | model | parser
 
-# --------------------------------------------------------------------------- #
-# 5. Демонстрация работы
-# --------------------------------------------------------------------------- #
-if __name__ == "__main__":
-    # Пример входного текста (можно заменить на любой другой)
-    example_text = (
-        "Сдайте к пятнице мини‑отчёт по LangChain: 2 страницы, упор на агентов. "
+    sample = (
+        "Сдайте к пятнице мини-отчёт по LangChain: 2 страницы, упор на агентов. "
         "Оценка: за полноту и за пример кода."
     )
 
-    # Выполняем цепочку
-    result = task_chain.invoke({"input_text": example_text})
+    result: TaskCard = chain.invoke({"input_text": sample})
 
-    # Выводим валидированный объект
-    print("\n=== Валидированная карточка задачи ===")
-    print(result.model_dump(indent=2))
+    print("Валидированный объект:")
+    print(result.model_dump())
 
-    # Краткая человекочитаемая сводка
-    print("\n=== Человекочитаемый вывод ===")
-    print(f"Заголовок: {result.title}")
+    print("\nСводка:")
+    print(f"Задание: {result.title}.")
     if result.subject:
-        print(f"Тема: {result.subject}")
+        print(f"Тема: {result.subject}.")
     if result.deadline_hint:
-        print(f"Срок сдачи: {result.deadline_hint}")
+        print(f"Срок сдачи: {result.deadline_hint}.")
     if result.deliverable_type:
-        print(f"Тип сдаваемого материала: {result.deliverable_type}")
+        print(f"Тип материала: {result.deliverable_type}.")
     if result.grading_hints:
-        print("Критерии оценки:")
-        for hint in result.grading_hints:
-            print(f"- {hint}")
+        print(f"Критерии оценки: {', '.join(result.grading_hints)}.")
+
+
+if __name__ == "__main__":
+    main()