add

nodes.py

@@ -1,102 +1,120 @@
 from langchain_openai import ChatOpenAI
-from langchain_core.messages import HumanMessage, SystemMessage
+from langchain_core.messages import HumanMessage
+from pydantic import BaseModel, Field, ValidationError
 from state import ReflectState
 
 # Инициализация LLM
 llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)
 
-# Промпты для узлов
+# Pydantic модель для валидации ответа
-DRAFT_PROMPT = """Ты — эксперт, который дает краткие, но содержательные ответы.
+class ValidAnswer(BaseModel):
-Ответь на вопрос пользователя в 5-10 предложений.
+    """Модель для валидации качества ответа"""
-Будь конкретным, избегай общих фраз и "воды".
+    content: str = Field(description="Ответ на вопрос")
+    is_complete: bool = Field(description="Полнота ответа (должно быть True)")
+    has_examples: bool = Field(description="Наличие примеров (должно быть True)")
+    is_concise: bool = Field(description="Отсутствие воды (должно быть True)")
     
-Вопрос: {question}"""
+    def validate_quality(self) -> tuple[bool, str]:
+        """Проверяет качество ответа по критериям"""
+        issues = []
         
-REFLECT_PROMPT = """Ты — строгий критик, оценивающий качество ответа.
+        if not self.is_complete:
-Критерии оценки:
+            issues.append("неполный ответ")
+        if not self.has_examples:
+            issues.append("нет конкретных примеров")
+        if not self.is_concise:
+            issues.append("содержит воду/общие фразы")
+            
+        if not self.content or len(self.content.split()) < 50:
+            issues.append("слишком короткий ответ (<50 слов)")
+            
+        if len(self.content.split()) > 300:
+            issues.append("слишком длинный ответ (>300 слов)")
+            
+        if issues:
+            return False, f"Проблемы: {', '.join(issues)}"
+        return True, "OK"
+
+# Промпт для генерации с инструкцией по качеству
+ANSWER_PROMPT = """Ты — эксперт, который дает качественные ответы.
+Требования к ответу:
 1. Полнота: ответ покрывает все аспекты вопроса
 2. Конкретика: есть примеры, детали, точные формулировки
-3. Отсутствие воды: нет общих фраз, повторений, лишних слов
+3. Краткость: 5-10 предложений, без воды
 
-Ответ для оценки: {draft}
-
-Твой ответ должен быть в формате:
-VERDICT: [ok/needs_revision]
-CRITIQUE: [2-3 конкретных пункта замечаний или похвала]
-
-Примеры:
-VERDICT: ok
-CRITIQUE: Ответ полный, есть примеры, нет воды.
-
-VERDICT: needs_revision
-CRITIQUE: 1. Нет конкретных примеров. 2. Слишком много общих фраз. 3. Не раскрыта разница в контексте MCP."""
-
-REWRITE_PROMPT = """Улучши ответ на вопрос, учитывая замечания критика.
 Вопрос: {question}
-Предыдущая версия: {draft}
-Замечания критика: {critique}
 
-Дай исправленную версию (5-10 предложений), которая:
+После ответа добавь метаданные в формате JSON:
-- Учитывает все замечания
+{{
-- Становится более полной и конкретной
+    "is_complete": true/false,
-- Убирает воду
+    "has_examples": true/false,
-- Сохраняет краткость (5-10 предложений)"""
+    "is_concise": true/false
+}}
 
-def draft_answer(state: ReflectState) -> ReflectState:
+Сам ответ должен быть в markdown формате.
-    """Узел: первичная генерация ответа"""
+"""
-    print(f"\n📝 [Раунд {state['round']}] Генерация черновика...")
 
-    prompt = DRAFT_PROMPT.format(question=state["question"])
+def generate_answer(state: ReflectState) -> ReflectState:
+    """
+    Узел генерации ответа с try/except и валидацией
+    При ошибке заполняет поле error
+    """
+    print(f"\n📝 [Попытка {state['round']}/{state['max_rounds']}] Генерация ответа...")
+    
+    try:
+        # 1. Генерация ответа
+        prompt = ANSWER_PROMPT.format(question=state["question"])
         response = llm.invoke([HumanMessage(content=prompt)])
         
-    new_state = state.copy()
+        # 2. Парсинг JSON-метаданных из ответа
-    new_state["draft"] = response.content
+        import json
-    return new_state
+        import re
         
-def reflect(state: ReflectState) -> ReflectState:
+        # Ищем JSON в конце ответа
-    """Узел: критическая оценка ответа"""
+        json_match = re.search(r'\{[^{}]*"is_complete"[^{}]*\}', response.content)
-    print(f"🔍 [Раунд {state['round']}] Рефлексия критика...")
+        if not json_match:
+            raise ValueError("Не найдены метаданные JSON в ответе")
         
-    prompt = REFLECT_PROMPT.format(draft=state["draft"])
+        metadata = json.loads(json_match.group())
-    response = llm.invoke([HumanMessage(content=prompt)])
         
-    # Парсим ответ критика
+        # 3. Создаем объект ValidAnswer
-    lines = response.content.strip().split('\n')
+        answer_obj = ValidAnswer(
-    verdict = "needs_revision"  # по умолчанию
+            content=response.content,
-    critique = response.content
+            is_complete=metadata.get("is_complete", False),
-    
+            has_examples=metadata.get("has_examples", False),
-    for line in lines:
+            is_concise=metadata.get("is_concise", False)
-        if line.startswith("VERDICT:"):
-            verdict = line.replace("VERDICT:", "").strip().lower()
-        elif line.startswith("CRITIQUE:"):
-            critique = line.replace("CRITIQUE:", "").strip()
-    
-    # Нормализация вердикта
-    if verdict not in ["ok", "needs_revision"]:
-        verdict = "needs_revision"
-    
-    new_state = state.copy()
-    new_state["verdict"] = verdict
-    new_state["critique"] = critique
-    
-    print(f"   Вердикт: {verdict.upper()}")
-    if verdict == "needs_revision":
-        print(f"   Замечания: {critique[:100]}...")
-    
-    return new_state
-
-def rewrite(state: ReflectState) -> ReflectState:
-    """Узел: переписывание ответа с учетом замечаний"""
-    print(f"✏️ [Раунд {state['round']}] Переписывание с учетом критики...")
-    
-    prompt = REWRITE_PROMPT.format(
-        question=state["question"],
-        draft=state["draft"],
-        critique=state["critique"]
         )
-    response = llm.invoke([HumanMessage(content=prompt)])
         
-    new_state = state.copy()
+        # 4. Валидация качества
-    new_state["draft"] = response.content
+        is_valid, error_message = answer_obj.validate_quality()
-    new_state["round"] = state["round"] + 1
+        
-    return new_state
+        if not is_valid:
+            raise ValueError(error_message)
+        
+        # 5. Успех - очищаем ошибку
+        print(f"   ✅ Ответ прошел валидацию!")
+        return {
+            **state,
+            "draft": answer_obj.content,
+            "error": None
+        }
+        
+    except (ValidationError, ValueError, json.JSONDecodeError) as e:
+        # Перехватываем все ошибки валидации
+        error_msg = str(e)
+        print(f"   ❌ Ошибка валидации: {error_msg}")
+        
+        return {
+            **state,
+            "draft": "",  # Очищаем невалидный ответ
+            "error": error_msg
+        }
+    
+    except Exception as e:
+        # Другие ошибки (сеть, API и т.д.)
+        print(f"   ❌ Критическая ошибка: {str(e)}")
+        return {
+            **state,
+            "draft": "",
+            "error": f"Критическая ошибка: {str(e)}"
+        }