#!/usr/bin/env python3
# -*- coding: utf-8 -*-

"""
Пример преобразования неформального описания задания в структурированный объект.

Используем:
* LangChain (core + OpenAI)
* Pydantic для типизации и проверки результата
"""

import os
from pathlib import Path

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


# ------------------------------------------------------------------
# 1. Модель карточки задания (Pydantic)
# ------------------------------------------------------------------
class AssignmentCard(BaseModel):
    title: str = Field(..., description="Краткое название задачи")
    subject: str = Field(
        ..., description="Предмет/тема, к которой относится задание"
    )
    deadline_hint: str | None = Field(
        None,
        description="Указание дедлайна в свободной форме (например, «к пятнице»)",
    )
    deliverable_type: str = Field(
        ...,
        description=(
            "Тип сдачи: отчёт, код, презентация и т.п. "
            "(если однотипное – перечислите без пунктов)"
        ),
    )
    grading_hints: list[str] | None = Field(
        None,
        description="Ключевые критерии оценки (список строк)",
    )


# ------------------------------------------------------------------
# 2. Парсер и промпт
# ------------------------------------------------------------------
parser = PydanticOutputParser(pydantic_object=AssignmentCard)

prompt_template = """
Пожалуйста, преобразуйте следующее описание задания в JSON‑объект,
соответствующий схеме:

{format_instructions}

Текст задания:
"{input_text}"
"""

prompt = PromptTemplate(
    template=prompt_template,
    input_variables=["input_text"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)

# ------------------------------------------------------------------
# 3. Модель LLM
# ------------------------------------------------------------------
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")  # можно поменять модель

# Создаём цепочку: Prompt → LLM → Parser
chain = prompt | llm | parser


# ------------------------------------------------------------------
# 4. Функция «обработки» одной строки
# ------------------------------------------------------------------
def parse_assignment(text: str) -> AssignmentCard:
    """Возвращает валидированную модель из текста."""
    return chain.invoke({"input_text": text})


# ------------------------------------------------------------------
# 5. Тестовый пример (можно заменить на любой другой)
# ------------------------------------------------------------------
if __name__ == "__main__":
    example = (
        "Сдайте к пятнице мини‑отчёт по LangChain: "
        "2 страницы, упор на агентов. Оценка: за полноту и за пример кода."
    )
    card = parse_assignment(example)

    # Выводим модель в виде JSON
    print("\n=== Валидация ===")
    print(card.model_dump(indent=4))

    # Краткая человекочитаемая сводка
    print("\n=== Сводка ===")
    print(f"Тема: {card.subject}")
    print(f"Название: {card.title}")
    if card.deadline_hint:
        print(f"Дедлайн: {card.deadline_hint}")
    print(f"Сдача: {card.deliverable_type}")
    if card.grading_hints:
        print("Критерии оценки:")
        for h in card.grading_hints:
            print(f"  • {h}")


# ────────────────────── End of file ─────────────────────