diff --git a/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md b/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md
index 4f36504..c9847fd 100644
--- a/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md
+++ b/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md
@@ -1,126 +1,137 @@
-# Task Card – превращение сырого текста задания в структурированные данные
+# Task Card Extractor
 
-## Описание проекта
+A lightweight Python utility that transforms informal task descriptions into a **flat JSON card** containing the following fields:
 
-`task_card.py` реализует модуль, который принимает неформальное описание задачи (как в переписке или на сайте курса) и преобразует его в **структурированный объект** `TaskCard`.  
-Объект содержит поля:
+| Field | Description |
+|-------|-------------|
+| `title` | Название задания |
+| `subject` | Тема/область задачи |
+| `deadline_hint` | Подсказка по дедлайну |
+| `deliverable_type` | Тип сдачи (отчёт, код и т.д.) |
+| `grading_hints` | Ключевые критерии оценки |
 
-| Поле | Тип | Описание |
-|------|-----|----------|
-| `title` | `str` | Краткое название задачи |
-| `subject` | `str` | Предмет или область знаний |
-| `deadline_hint` | `str` | Указание срока сдачи в свободной форме |
-| `deliverable_type` | `str` | Тип сдаваемого материала (отчёт, код, презентация и т.д.) |
-| `grading_hints` | `List[str]` | Ключевые критерии оценки, упомянутые в тексте |
-
-Модуль использует **LangChain** для общения с LLM и **Pydantic** для гарантированного парсинга результата.
+The extractor uses **LangChain** with an OpenAI model to parse the raw text and output a validated `TaskCard` Pydantic object.
 
 ---
 
-## Установка зависимостей
+## 📦 Установка зависимостей
 
 ```bash
 # Создайте виртуальное окружение (рекомендуется)
 python -m venv .venv
-source .venv/bin/activate   # Windows: .venv\Scripts\activate
+source .venv/bin/activate   # Windows: .\.venv\Scripts\activate
 
-# Установите зависимости
-pip install langchain-core langchain-openai pydantic python-dotenv
+# Установите зависимости из requirements.txt
+pip install -r requirements.txt
 ```
 
-> **Важно**  
-> 1. Для работы с LLM понадобится ключ OpenAI (или другой провайдер).  
-> 2. Ключ можно задать через переменную окружения `OPENAI_API_KEY` или в файле `.env`.
+`requirements.txt`:
+
+```text
+langchain-core>=0.2.0
+langchain-openai>=0.1.0
+pydantic>=2.0
+openai>=1.0  # для ChatOpenAI
+```
+
+> **Важно**:  
+> Установите переменную окружения `OPENAI_API_KEY` с вашим ключом OpenAI, иначе модель не сможет работать.
+
+```bash
+export OPENAI_API_KEY="sk-..."
+# Windows:
+set OPENAI_API_KEY=sk-...
+```
 
 ---
 
-## Как запустить
+## 📁 Структура проекта
 
-### 1️⃣ Запуск скрипта вручную
+| Файл | Описание |
+|------|----------|
+| `extract_task_card.py` | Основной скрипт, содержащий модель `TaskCard`, конфигурацию LangChain и пример запуска. |
+
+---
+
+## 🚀 Запуск
+
+### 1️⃣ Простой запуск через CLI
 
 ```bash
-# Убедитесь, что переменная OPENAI_API_KEY установлена
-export OPENAI_API_KEY="sk-..."
-
-python task_card.py
+python extract_task_card.py "Напиши задание по теме «Алгоритмы сортировки». Дедлайн – завтра. Сдача: код + отчёт. Оценка по точности, читаемости и эффективности."
 ```
 
-При запуске скрипт запросит у пользователя ввод текста задания и выведет распарсенный объект `TaskCard`.
+Вывод будет в формате JSON:
 
-### 2️⃣ Использование как модуля
+```json
+{
+  "title": "Алгоритмы сортировки",
+  "subject": "Тема «Алгоритмы сортировки»",
+  "deadline_hint": "завтра",
+  "deliverable_type": "код + отчёт",
+  "grading_hints": [
+    "точность",
+    "читаемость",
+    "эффективность"
+  ]
+}
+```
+
+### 2️⃣ Запуск из кода
 
 ```python
-from task_card import parse_task_text, TaskCard
+from pathlib import Path
+import os
+
+# Импортируем модель и функцию извлечения
+from extract_task_card import TaskCard, extract_from_text
 
 raw = """
-Нужно написать программу на Python, которая будет генерировать отчёт о продажах за последний квартал.
-Сдать код и README. Срок сдачи – через две недели после начала проекта.
-Оценка будет по качеству кода, читаемости и покрытию тестами.
+Напиши задание по теме «Алгоритмы сортировки». Дедлайн – завтра.
+Сдача: код + отчёт. Оценка по точности, читаемости и эффективности.
 """
 
-card: TaskCard = parse_task_text(raw)
+card = extract_from_text(raw)
 print(card.json(indent=2))
 ```
 
 ---
 
-## Пример использования
+## 📚 Пример использования
 
-```bash
-$ python task_card.py
-Введите текст задания:
-Нужно написать программу на Python, которая будет генерировать отчёт о продажах за последний квартал.
-Сдать код и README. Срок сдачи – через две недели после начала проекта.
-Оценка будет по качеству кода, читаемости и покрытию тестами.
+```python
+from extract_task_card import TaskCard, extract_from_text
 
-Результат:
-{
-  "title": "Генерация отчёта о продажах",
-  "subject": "Python",
-  "deadline_hint": "через две недели после начала проекта",
-  "deliverable_type": "код и README",
-  "grading_hints": [
-    "качество кода",
-    "читаемость",
-    "покрытие тестами"
-  ]
-}
+raw_description = """
+Создать программу, которая генерирует случайный массив из 1000 чисел,
+сортирует его методом быстрой сортировки и выводит время выполнения.
+Дедлайн – через неделю. Сдача: код + краткое описание алгоритма.
+Оценка по скорости, корректности и читаемости кода.
+"""
+
+task_card = extract_from_text(raw_description)
+
+print("Title:", task_card.title)
+print("Subject:", task_card.subject)
+print("Deadline hint:", task_card.deadline_hint)
+print("Deliverable type:", task_card.deliverable_type)
+print("Grading hints:", ", ".join(task_card.grading_hints))
 ```
 
 ---
 
-## Структура файлов
+## 🔧 Настройка модели
 
-| Файл | Описание |
-|------|----------|
-| `task_card.py` | Основной скрипт: определение модели, шаблона промпта и функции парсинга. |
-| `.env.example` | Пример файла с переменными окружения (ключи API). |
+- **Модель**: по умолчанию используется `gpt-4o-mini`. При необходимости можно изменить в коде:
+  ```python
+  llm = ChatOpenAI(model="gpt-4o", temperature=0.2)
+  ```
+- **Температура**: регулирует креативность ответа (по умолчанию 0.2).
 
 ---
 
-## Тестирование
+## 📜 Лицензия
 
-```bash
-# Установите pytest, если ещё не установлен
-pip install pytest
+MIT License – свободно используйте и модифицируйте по своему усмотрению.
 
-# Запустите тесты (если они есть)
-pytest
-```
-
-> *В текущей версии тестов нет, но вы можете добавить свои.*
-
----
-
-## Вклад в проект
-
-1. Сделайте fork репозитория.  
-2. Создайте ветку `feature/your-feature`.  
-3. Добавьте изменения и запустите тесты.  
-4. Откройте Pull Request.
-
----
-
-## Лицензия
-
-MIT © 2026
\ No newline at end of file
+---
\ No newline at end of file