# Сырой текст задания → плоская карточка  

## 📖 Описание проекта  
В рамках курса «Ассистент по учёбе» вы разрабатываете модуль, который принимает **неформальное описание задачи** (например, сообщение преподавателя в чате) и преобразует его в структурированный объект. Полученный объект можно дальше фильтровать, сохранять или передавать следующему шагу пайплайна.

### Что делает программа?  
- Принимает одну строку/абзац с формулировкой задания.  
- С помощью LLM (OpenAI, Azure, Anthropic и т.д.) извлекает ключевые поля:  
  - `title` – название задачи  
  - `subject` – предмет / тема  
  - `deadline_hint` – подсказка о сроке сдачи (строка в свободной форме)  
  - `deliverable_type` – тип сдаваемого материала (отчёт, код, презентация и т.п.)  
  - `grading_hints` – список строк с упоминаниями оценивания  

### Почему это важно?  
- Позволяет быстро структурировать входные данные без ручного парсинга.  
- Делает дальнейшую обработку более надёжной и предсказуемой.  

## ⚙️ Стек и установка

| Пакет | Версия (рекоменд.) |
|-------|--------------------|
| `langchain-core` | 0.2.x |
| `langchain-openai` | 0.1.x |
| `pydantic` | 2.x |
| `python-dotenv` | любой |

```bash
# Создайте виртуальное окружение (рекомендовано)
python -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate

# Установите зависимости
pip install langchain-core langchain-openai pydantic python-dotenv
```

> **Важно**:  
> 1. Создайте файл `.env` в корне проекта и добавьте ключи доступа к LLM, например:
> ```dotenv
> OPENAI_API_KEY=sk-...
> ```
> 2. Если используете другую модель (Azure, Anthropic), настройте соответствующие переменные окружения согласно документации `langchain-openai`.

## 📂 Структура проекта

```
project/
├── .env                # Переменные окружения
├── main.py             # Точка входа – пример использования
├── task_parser.py      # Модуль с Pydantic‑моделью и функцией парсинга
└── README.md           # Это файл
```

## 🚀 Запуск

### 1. Пример запуска через `main.py`

```bash
python main.py
```

`main.py` содержит пример входного текста и выводит распарсенный объект.

> **Вывод**  
> ```text
> Task(title='Составить отчёт по проекту', subject='Информатика', deadline_hint='до 15.09', deliverable_type='отчёт', grading_hints=['проверка структуры, логики и оформления'])
> ```

### 2. Использование как библиотеки

```python
from task_parser import parse_task_text, Task

text = "Напиши код для решения задачи по алгоритмам до 20.10."
task: Task = parse_task_text(text)
print(task.title)          # → 'Написать код'
print(task.grading_hints)  # → ['проверка корректности кода', ...]
```

## 🧩 Как работает `parse_task_text`  

1. **Формирование запроса** – создаётся prompt, в котором описывается формат ответа (JSON).  
2. **Вызов LLM** – через `langchain-openai` отправляется запрос и получает JSON‑строку.  
3. **Проверка схемы** – строка парсится в `pydantic.BaseModel`, гарантируя типизацию и наличие обязательных полей.  

Если модель не может распарсить ответ, выбрасывается исключение с подробным сообщением.

## 📄 Пример входного текста

```text
"Пожалуйста, подготовьте презентацию по теме «Машинное обучение» до 30 сентября. В оценке учитываются оригинальность и глубина анализа."
```

### Ожидаемый результат (JSON)

```json
{
  "title": "Подготовка презентации",
  "subject": "Машинное обучение",
  "deadline_hint": "до 30 сентября",
  "deliverable_type": "презентация",
  "grading_hints": [
    "оригинальность",
    "глубина анализа"
  ]
}
```

## 📚 Полезные ссылки

- [LangChain Docs – OpenAI](https://langchain.com/docs/integrations/providers/openai)
- [Pydantic v2.0](https://docs.pydantic.dev/latest/)
- [Python‑dotenv](https://pypi.org/project/python-dotenv/)

## 🤝 Вклад

Если хотите улучшить проект:
1. Форкните репозиторий.  
2. Создайте ветку с вашим изменением.  
3. Откройте Pull Request и опишите, что было сделано.

---

**Happy parsing!**