diff --git a/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md b/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md
index 7ae4994..1993e61 100644
--- a/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md
+++ b/solutions/69dd4221f309a98be0006b2e_сырой_текст_задания___плоская_карточка/README.md
@@ -1,89 +1,130 @@
-# Task Parser – “Raw Text → Flat Card”
+# Сырой текст задания → плоская карточка
 
-## 📖 Описание
+## Описание проекта
 
-`task_parser.py` — это модуль, который принимает **неформальное описание задания** (строку или короткий абзац) и преобразует его в структурированный объект `TaskCard`.  
-Полученный объект содержит только те поля, которые нужны дальше в пайплайне: название задачи, предмет, подсказки по дедлайну, тип сдачи и указания по оценке. Всё это делается без диалога с моделью – один запрос → один ответ.
+В рамках курса по созданию ассистента для учебного процесса данная программа принимает **неформальное описание задачи** (например, сообщение преподавателя в чате или короткий абзац из сайта) и преобразует его в структурированный объект `TaskCard`.  
+Полученный объект содержит ключевые поля, которые можно использовать дальше в пайплайне: фильтрацию, хранение, передачу другим модулям.
 
-## 🚀 Установка
+## Стек технологий
+
+- **Python** 3.10+
+- **langchain-core**, **langchain-openai** – взаимодействие с LLM
+- **pydantic** – типизация и валидация выходных данных
+- **python-dotenv** (необязательно) – загрузка переменных окружения
+
+## Установка зависимостей
 
 ```bash
-# Создайте виртуальное окружение (рекомендуется)
+# Создайте виртуальное окружение (рекомендовано)
 python -m venv .venv
 source .venv/bin/activate   # Windows: .venv\Scripts\activate
 
-# Установите зависимости
+# Установите пакеты
 pip install langchain-core langchain-openai pydantic python-dotenv
 ```
 
 > **Важно**  
-> * `OPENAI_API_KEY` (или другой ключ для выбранной модели) должен быть в переменных окружения.  
-> * Можно хранить его в файле `.env` рядом с проектом:
+> Для работы с LLM необходимо задать ключ API. Самый простой способ – создать файл `.env` в корне проекта:
 
 ```dotenv
-# .env
-OPENAI_API_KEY=sk-xxxxxxxxxxxxxx
+OPENAI_API_KEY=sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
 ```
 
-## 📦 Как запустить
-
-### 1️⃣ Вариант через REPL / Jupyter
-
-```python
-from task_parser import parse_task_text
-
-raw = """
-Напиши мини‑отчёт по LangChain: проработай пример с ChatOpenAI, покажи выводы и сделай выводы о производительности. Срок сдачи – 3 дня после получения задания. Оценка будет по качеству кода и полноте отчёта.
-"""
-
-card = parse_task_text(raw)
-print(card.json(indent=2))
-```
-
-### 2️⃣ Через командную строку
-
-Добавьте в `task_parser.py` (или создайте отдельный скрипт) функцию `main()`:
-
-```python
-if __name__ == "__main__":
-    import sys
-    raw = " ".join(sys.argv[1:])
-    card = parse_task_text(raw)
-    print(card.json(indent=2))
-```
-
-Тогда можно вызвать так:
+или экспортировать переменную окружения напрямую:
 
 ```bash
-python task_parser.py "Напиши мини‑отчёт по LangChain: проработай пример с ChatOpenAI, покажи выводы и сделай выводы о производительности. Срок сдачи – 3 дня после получения задания."
+export OPENAI_API_KEY="sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX"
 ```
 
-## 📄 Пример использования
+## Как запустить
+
+Файл `task.py` содержит всю логику.  
+Пример использования в интерактивном режиме:
 
 ```python
-from task_parser import parse_task_text
+# task_demo.py
+from task import TaskCard, parser, llm  # импортируем готовый LLM и парсер
 
-raw = """
-Создать презентацию по теме «Введение в LangChain». Включить примеры кода, графики и выводы.
-Срок: до пятницы. Оценка будет зависеть от оригинальности идей и качества оформления слайдов.
+raw_text = """
+Нужно написать отчёт по теме «Алгоритмы сортировки». Сдача до следующей недели. Оценка будет по структуре и корректности кода.
 """
 
-card = parse_task_text(raw)
+# Формируем запрос к модели
+prompt_template = parser.get_prompt()
+prompt = prompt_template.format(input=raw_text)
 
-# card – это объект TaskCard
-print(card.title)          # "Создать презентацию по теме «Введение в LangChain»"
-print(card.subject)        # "LangChain"
-print(card.deadline_hint)  # "до пятницы"
-print(card.deliverable_type)  # "презентация"
-print(card.grading_hints)   # ["оригинальность идей", "качество оформления слайдов"]
+# Получаем ответ от LLM
+response = llm.invoke(prompt)
+
+# Парсим в объект TaskCard
+task_card = parser.parse(response)
+print(task_card.json(indent=2))
 ```
 
-## 📚 Что дальше
+Запуск:
 
-- **Фильтрация**: можно отфильтровать задачи по предмету или типу сдачи.
-- **Сохранение**: сериализовать в JSON и хранить в базе данных.
-- **Пайплайн**: передать `TaskCard` следующему шагу, например, генератору чек‑листов.
+```bash
+python task_demo.py
+```
 
----
+Вывод будет примерно таким:
 
-*Если возникнут вопросы – откройте issue или свяжитесь с автором проекта.*
\ No newline at end of file
+```json
+{
+  "title": "Отчёт по алгоритмам сортировки",
+  "subject": "Алгоритмы сортировки",
+  "deadline_hint": "до следующей недели",
+  "deliverable_type": "отчёт",
+  "grading_hints": [
+    "структура",
+    "корректность кода"
+  ]
+}
+```
+
+## Пример использования в пайплайне
+
+```python
+# pipeline.py
+from task import TaskCard, parser, llm
+
+def process_task(raw_description: str) -> TaskCard:
+    prompt = parser.get_prompt().format(input=raw_description)
+    response = llm.invoke(prompt)
+    return parser.parse(response)
+
+if __name__ == "__main__":
+    raw = "Написать презентацию по теме «Машинное обучение» до 15.09."
+    card = process_task(raw)
+    print(card.title)          # Презентация по теме «Машинное обучение»
+```
+
+## Что делает код
+
+1. **`TaskCard`** – Pydantic‑модель, описывающая структуру карточки задания.
+2. **`PydanticOutputParser`** – обёртка, которая формирует запрос к LLM и парсит JSON‑ответ в `TaskCard`.
+3. Внутри `task.py` создаётся объект LLM (`ChatOpenAI`) с использованием ключа из переменных окружения.
+4. При вызове `parser.parse()` модель генерирует ответ в формате, совместимом с Pydantic, и парсер преобразует его в экземпляр `TaskCard`.
+
+## Тесты
+
+Для быстрой проверки можно написать простые unit‑тесты:
+
+```bash
+pip install pytest
+pytest tests/
+```
+
+(В проекте пока нет тестов – их добавьте по необходимости.)
+
+## FAQ
+
+| Вопрос | Ответ |
+|--------|-------|
+| Как изменить модель? | Измените параметры `ChatOpenAI` в `task.py`. |
+| Что делать, если LLM не возвращает валидный JSON? | Попробуйте добавить в шаблон более строгие инструкции или использовать `parser.get_prompt()` с параметром `strict=True`. |
+| Можно ли использовать другую LLM (например, Gemini)? | Да – замените импорт и объект `ChatOpenAI` на соответствующий клиент. |
+
+## Лицензия
+
+MIT © 2026
\ No newline at end of file