Update README.md

README.md

@@ -12,4 +12,99 @@ tags:
 - Prompt Classes
 - Classificator
 - Prompt Classification
----
+---
+
+# 🔁 SimplePromptRouter — классификатор промптов (русский)
+
+**Кратко:** модель классифицирует входные промпты/вопросы на три действия:
+- **0 — Поиск в локальной базе знаний (RAG)**: сначала ищем релевантные документы в локальном индексе и формируем контекст для генерации.  
+- **1 — Поиск в сети**: триггер запуска обхода внешних поисковых систем/скрейпинга.  
+- **2 — Прямой запрос**: сразу посылаем промпт в генеративную модель (например, LLM) для синтеза ответа.
+
+---
+
+## Где используется
+Подходит для систем, где нужно автоматически решать стратегию обработки пользовательского промпта:
+- чат-боты со связкой Retrieval-Augmented Generation (RAG),
+- голосовые ассистенты,
+- интерфейсы поддержки, где часть запросов решается поиском, часть — генерацией.
+
+---
+
+## Файлы в репозитории
+- `pytorch_model.bin` — веса модели (state_dict).  
+- `config.json` — конфигурация (input_dim, num_classes, p_dropout, classes).  
+- `modeling_simple_classifier.py` или `model.py` — определение архитектуры (если кастом).  
+- `vectorizer.pkl` — sklearn-векторизатор (TF-IDF/Count).  
+- `svd.pkl` — TruncatedSVD (опционально).  
+- `label_encoder.pkl` — sklearn.LabelEncoder (для декодирования метки).  
+- `README.md` — эта карточка.
+
+---
+
+## Пример загрузки и инференса (без AutoModel)
+
+```python
+# Пример: загрузка напрямую из репозитория HF (не требует локальной копии)
+from huggingface_hub import hf_hub_download
+import json, pickle, torch
+import numpy as np
+from types import SimpleNamespace
+
+REPO = "username/SimplePromptRouter"
+
+config_path = hf_hub_download(REPO, "config.json")
+weights_path = hf_hub_download(REPO, "pytorch_model.bin")
+vec_path = hf_hub_download(REPO, "vectorizer.pkl")
+svd_path = None
+try:
+    svd_path = hf_hub_download(REPO, "svd.pkl")
+except Exception:
+    svd_path = None
+le_path = hf_hub_download(REPO, "label_encoder.pkl")
+
+cfg = SimpleNamespace(**json.load(open(config_path, "r", encoding="utf-8")))
+
+# --- Динамическая модель (вставь ту же архитектуру, что использовал при обучении) ---
+class SimpleClassifier(torch.nn.Module):
+    def __init__(self, input_dim, num_classes, p_dropout=0.3):
+        super().__init__()
+        self.linear1 = torch.nn.Linear(input_dim, 256)
+        self.ln1 = torch.nn.LayerNorm(256)
+        self.dropout = torch.nn.Dropout(p_dropout)
+        self.linear2 = torch.nn.Linear(256, 128)
+        self.ln2 = torch.nn.LayerNorm(128)
+        self.linear_out = torch.nn.Linear(128, num_classes)
+    def forward(self, x):
+        x = torch.nn.functional.gelu(self.ln1(self.linear1(x)))
+        x = self.dropout(x)
+        x = torch.nn.functional.gelu(self.ln2(self.linear2(x)))
+        x = self.dropout(x)
+        return self.linear_out(x)
+
+model = SimpleClassifier(cfg.input_dim, cfg.num_classes, cfg.p_dropout)
+state = torch.load(weights_path, map_location="cpu")
+model.load_state_dict(state)
+model.eval()
+
+# препроцессинг
+vectorizer = pickle.load(open(vec_path, "rb"))
+svd = pickle.load(open(svd_path, "rb")) if svd_path else None
+le = pickle.load(open(le_path, "rb"))
+
+def preprocess(text):
+    X = vectorizer.transform([text])
+    if svd is not None:
+        X = svd.transform(X)
+    return X.astype(np.float32)
+
+def predict(text):
+    x = preprocess(text)
+    xb = torch.from_numpy(x).float()
+    with torch.inference_mode():
+        logits = model(xb)
+        pred = int(torch.argmax(logits, dim=1).cpu().numpy()[0])
+    return pred, le.inverse_transform([pred])[0]
+
+# пример
+print(predict("Как мне найти документацию по OpenAI?"))