# Task Card Extractor

A lightweight Python utility that transforms informal task descriptions into a **flat JSON card** containing the following fields:

| 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 |

The extractor uses **LangChain** with an OpenAI model to parse the raw text and output a validated `TaskCard` Pydantic object.

---

## 📦 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`:

```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-...
```

---

## 📁 Структура проекта

| Файл | Описание |
|------|----------|
| `extract_task_card.py` | Основной скрипт, содержащий модель `TaskCard`, конфигурацию LangChain и пример запуска. |

---

## 🚀 Запуск

### 1️⃣ Простой запуск через CLI

```bash
python extract_task_card.py "Напиши задание по теме «Алгоритмы сортировки». Дедлайн – завтра. Сдача: код + отчёт. Оценка по точности, читаемости и эффективности."
```

Вывод будет в формате JSON:

```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 pathlib import Path
import os

# Импортируем модель и функцию извлечения
from extract_task_card import TaskCard, extract_from_text

raw = """
Напиши задание по теме «Алгоритмы сортировки». Дедлайн – завтра.
Сдача: код + отчёт. Оценка по точности, читаемости и эффективности.
"""

card = extract_from_text(raw)
print(card.json(indent=2))
```

---

## 📚 Пример использования

```python
from extract_task_card import TaskCard, extract_from_text

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))
```

---

## 🔧 Настройка модели

- **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).

---

## 📜 Лицензия

MIT License – свободно используйте и модифицируйте по своему усмотрению.

---