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

# 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:

Создайте файл .env в корне проекта и добавьте ключи доступа к LLM, например:
OPENAI_API_KEY=sk-...
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`

python main.py

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

Вывод

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

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`

Формирование запроса – создаётся prompt, в котором описывается формат ответа (JSON).
Вызов LLM – через langchain-openai отправляется запрос и получает JSON‑строку.
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

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

Ожидаемый результат (JSON)

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

📚 Полезные ссылки

🤝 Вклад

Если хотите улучшить проект:

Форкните репозиторий.
Создайте ветку с вашим изменением.
Откройте Pull Request и опишите, что было сделано.

Happy parsing!

README.md Unescape Escape

Сырой текст задания → плоская карточка

📖 Описание проекта