# task.py

import os
from typing import List, Optional

from pydantic import BaseModel, Field
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import PydanticOutputParser


class TaskCard(BaseModel):
    """
    Карточка задания, получаемая из неформального описания.
    """
    title: str = Field(..., description="Краткое название задачи")
    subject: Optional[str] = Field(
        None,
        description="Предмет/тема, к которой относится задание (если указано)"
    )
    deadline_hint: Optional[str] = Field(
        None,
        description="Указание срока сдачи в свободной форме"
    )
    deliverable_type: str = Field(..., description="Тип сдаваемого материала")
    grading_hints: List[str] = Field(
        default_factory=list,
        description="Ключевые критерии оценки (если упомянуты)"
    )


# Создаём парсер для Pydantic модели
parser = PydanticOutputParser(pydantic_object=TaskCard)

# Шаблон промпта. Модель должна вернуть JSON, соответствующий TaskCard.
prompt_template = PromptTemplate(
    template="""
Вы — помощник по анализу учебных заданий.  
Вам дано неформальное описание задания от преподавателя.  
Нужно извлечь из него следующую информацию и вернуть в формате JSON,
соответствующем модели TaskCard:

{format_instructions}

Пример входа:
{input_text}
""",
    input_variables=["input_text"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)

# Инициализируем LLM. Ключ берётся из переменной окружения OPENAI_API_KEY.
llm = ChatOpenAI(
    model="gpt-4o-mini",  # можно заменить на нужную модель
    temperature=0,
    max_retries=2,
)

# Строим цепочку: промпт → LLM → парсер
chain = prompt_template | llm | parser


def main():
    """
    Пример использования. Вводится строка задания, выводятся:
      1) валидированный объект TaskCard (dump)
      2) человекочитаемая сводка
    """
    # Для примера берём ввод из переменной окружения или stdin
    input_text = os.getenv(
        "TASK_TEXT",
        "Сдайте к пятнице мини-отчёт по LangChain: 2 страницы, упор на агентов. Оценка: за полноту и за пример кода."
    )

    # Запускаем цепочку
    result: TaskCard = chain.invoke({"input_text": input_text})

    # Выводим результат
    print("\n=== Валидированный объект ===")
    print(result.model_dump(indent=2))

    print("\n=== Краткая сводка ===")
    summary_parts = [
        f"Задача: {result.title}",
        f"Тема: {result.subject or 'не указана'}",
        f"Срок сдачи: {result.deadline_hint or 'не указан'}",
        f"Тип сдаваемого материала: {result.deliverable_type}",
    ]
    if result.grading_hints:
        summary_parts.append(
            "Критерии оценки: " + ", ".join(result.grading_hints)
        )
    print("; ".join(summary_parts))


if __name__ == "__main__":
    main()