112 lines
4.2 KiB
Python
112 lines
4.2 KiB
Python
#!/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 ─────────────────────
|