pp003/services/yandex.py

"""
Обёртка над Яндекс Cloud API (через openai-совместимый клиент).
"""

import json
import os

from openai import AsyncOpenAI, APIConnectionError, APIStatusError, APITimeoutError

from services.meta_prompt import (
    STANDARD_SYSTEM_PROMPT,
    META_SYSTEM_PROMPT,
    build_meta_user_message,
)

YANDEX_BASE_URL = "https://ai.api.cloud.yandex.net/v1"
YANDEX_MODEL_NAME = "gpt-oss-120b/latest"


def _get_client() -> AsyncOpenAI:
    api_key = os.getenv("YANDEX_API_KEY")
    folder_id = os.getenv("YANDEX_FOLDER_ID")
    if not api_key or not folder_id:
        raise RuntimeError(
            "Переменные окружения YANDEX_API_KEY и YANDEX_FOLDER_ID не заданы. "
            "Проверь файл .env."
        )
    return AsyncOpenAI(
        api_key=api_key,
        base_url=YANDEX_BASE_URL,
        default_headers={"x-folder-id": folder_id},
    )


def _model_uri() -> str:
    folder_id = os.getenv("YANDEX_FOLDER_ID", "")
    return f"gpt://{folder_id}/{YANDEX_MODEL_NAME}"


async def _call_llm(
    system_prompt: str,
    user_message: str,
    temperature: float = 0.4,
    max_tokens: int = 2000,
) -> str:
    """Базовый вызов LLM. Возвращает текст ответа модели."""
    client = _get_client()
    try:
        response = await client.chat.completions.create(
            model=_model_uri(),
            temperature=temperature,
            max_tokens=max_tokens,
            messages=[
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": user_message},
            ],
        )
    except APIConnectionError as e:
        raise RuntimeError(
            "Не удалось подключиться к Яндекс Cloud API. "
            "Проверьте сетевое соединение."
        ) from e
    except APITimeoutError as e:
        raise RuntimeError(
            "Яндекс Cloud API не ответил в отведённое время. Попробуйте позже."
        ) from e
    except APIStatusError as e:
        # Передаём статус и тело ошибки от Яндекса в понятном виде
        raise RuntimeError(
            f"Яндекс Cloud API вернул ошибку {e.status_code}: {e.message}"
        ) from e

    text = response.choices[0].message.content or ""
    if not text.strip():
        raise RuntimeError("Модель вернула пустой ответ.")
    return text


async def get_standard_answer(history: list[dict], meta_feedbacks: list[str]) -> str:
    """
    Получить ответ модели с учётом истории диалога и рекомендаций мета-мониторинга.

    history — список {"role": "user"/"assistant", "content": "..."} за текущую сессию.
    meta_feedbacks — список рекомендаций от предыдущих мета-мониторингов в этой сессии.
    """
    client = _get_client()

    # Формируем системный промпт: базовый + рекомендации мета-мониторинга если есть
    system_content = STANDARD_SYSTEM_PROMPT
    if meta_feedbacks:
        joined = "\n".join(f"- {fb}" for fb in meta_feedbacks)
        system_content += (
            "\n\nВ этой сессии агент мета-мониторинга уже оценивал твои предыдущие ответы "
            "и выдал следующие рекомендации по улучшению. Учитывай их в своих ответах:\n"
            + joined
        )

    messages = [{"role": "system", "content": system_content}] + history

    try:
        response = await client.chat.completions.create(
            model=_model_uri(),
            temperature=0.4,
            max_tokens=2000,
            messages=messages,
        )
    except APIConnectionError as e:
        raise RuntimeError(
            "Не удалось подключиться к Яндекс Cloud API. Проверьте сетевое соединение."
        ) from e
    except APITimeoutError as e:
        raise RuntimeError(
            "Яндекс Cloud API не ответил в отведённое время. Попробуйте позже."
        ) from e
    except APIStatusError as e:
        raise RuntimeError(
            f"Яндекс Cloud API вернул ошибку {e.status_code}: {e.message}"
        ) from e

    text = response.choices[0].message.content or ""
    if not text.strip():
        raise RuntimeError("Модель вернула пустой ответ.")
    return text


async def get_meta_monitoring_result(user_request: str, model_answer: str) -> dict:
    """
    Запустить мета-мониторинг ответа модели.
    Возвращает распарсенный словарь с результатами оценки.
    """
    user_message = build_meta_user_message(user_request, model_answer)
    raw = await _call_llm(
        system_prompt=META_SYSTEM_PROMPT,
        user_message=user_message,
        temperature=0.2,   # меньше случайности — нужен стабильный JSON
        max_tokens=1500,
    )

    # Очищаем на случай если модель всё же добавила markdown-обёртку
    cleaned = raw.strip()
    if cleaned.startswith("```"):
        lines = cleaned.splitlines()
        # Убираем первую и последнюю строки с ```
        cleaned = "\n".join(lines[1:-1] if lines[-1].strip() == "```" else lines[1:])

    try:
        result = json.loads(cleaned)
    except json.JSONDecodeError as e:
        raise RuntimeError(
            f"Агент мета-мониторинга вернул невалидный JSON. "
            f"Ошибка парсинга: {e}. Сырой ответ: {raw[:300]}"
        ) from e

    # Гарантируем обязательные поля
    required = {"factual_correctness", "completeness", "logical_consistency",
                "overall_score", "comment", "issues", "recommendations"}
    missing = required - result.keys()
    if missing:
        raise RuntimeError(
            f"В ответе мета-мониторинга отсутствуют поля: {', '.join(missing)}"
        )

    # Убеждаемся что issues — это список
    if not isinstance(result.get("issues"), list):
        result["issues"] = [str(result.get("issues", "Недостатки не указаны"))]

    return result