add agent.py

agent.py

@@ -1,18 +1,111 @@
-# Placeholder deep agent implementation
+#!/usr/bin/env python3
-import requests, json, os
+# -*- coding: utf-8 -*-
 
-def search(query):
+"""
-    # simple Bing API placeholder
+Пример преобразования неформального описания задания в структурированный объект.
-    return f"Results for {query}"
 
-def create_virtual_file(name, content):
+Используем:
-    with open(name, 'w') as f:
+* LangChain (core + OpenAI)
-        f.write(content)
+* Pydantic для типизации и проверки результата
+"""
 
-def main():
+import os
-    q="test"
+from pathlib import Path
-    res=search(q)
-    create_virtual_file('output.txt',res)
 
-if __name__=='__main__':
+from langchain_core.prompts import PromptTemplate
-    main()
+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 ─────────────────────