Spaces:
Sleeping
Sleeping
File size: 30,030 Bytes
8d57631 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 |
import os
import re
import json
from dataclasses import dataclass, asdict
from typing import Any, Dict, List, Optional, Tuple
import gradio as gr
# =======================
# .env + проверка OLLAMA_API_KEY (как в примере)
# =======================
try:
from dotenv import load_dotenv
load_dotenv()
except Exception:
pass
OLLAMA_API_KEY_ENV = "OLLAMA_API_KEY"
OLLAMA_API_KEY = os.environ.get(OLLAMA_API_KEY_ENV)
if not OLLAMA_API_KEY:
raise RuntimeError(
f"Переменная окружения {OLLAMA_API_KEY_ENV} не задана.\n"
f"В Hugging Face Spaces её нужно добавить в Settings → Variables/Secrets."
)
# =======================
# Ollama Cloud -> smolagents.Model adapter (упрощённо, но совместимо по идее с примером)
# =======================
from ollama import Client
class OllamaCloudModel:
"""
Мини-адаптер Ollama Cloud для генерации текста (не поток).
"""
def __init__(
self,
model_id: str = "gpt-oss:120b",
host: str = "https://ollama.com",
api_key_env: str = "OLLAMA_API_KEY",
):
api_key = os.environ.get(api_key_env)
if not api_key:
raise ValueError(f"Не найден {api_key_env} в окружении")
self.model_id = model_id
self.client = Client(host=host, headers={"Authorization": f"Bearer {api_key}"})
def _to_text(self, content: Any) -> str:
if content is None:
return ""
if isinstance(content, str):
return content
if isinstance(content, list):
parts = []
for p in content:
if isinstance(p, dict):
parts.append(p.get("text", ""))
else:
parts.append(str(p))
return "".join(parts)
return str(content)
def generate(self, messages: List[Dict[str, str]], stop_sequences: Optional[List[str]] = None) -> str:
resp = self.client.chat(model=self.model_id, messages=messages, stream=False)
text = self._to_text((resp.get("message") or {}).get("content", ""))
if stop_sequences:
for s in stop_sequences:
if not s:
continue
idx = text.find(s)
if idx != -1:
text = text[:idx]
break
return text
# =======================
# Модели данных
# =======================
@dataclass
class NormalizedRequirement:
req_id: str
source_text: str
normalized_text: str
classification: str # functional / non-functional / constraint / assumption / other
tags: List[str]
@dataclass
class QualityMetrics:
invert_score: float # 0..1
smart_score: float # 0..1
gqm_score: float # 0..1
verifiability: float # 0..1
specificity: float # 0..1
ambiguity: float # 0..1 (1 = очень неоднозначно)
overall: float # 0..1
@dataclass
class Defect:
code: str
severity: str # low/medium/high
message: str
spans: List[str]
@dataclass
class QualityReport:
req_id: str
metrics: QualityMetrics
defects: List[Defect]
@dataclass
class RefactorResult:
req_id: str
improved_text: str
fixed_defects: List[str]
explanation: str
# =======================
# AnalysisAgent: сегментация + нормализация + базовая классификация
# =======================
class AnalysisAgent:
REQ_LINE_RE = re.compile(r"^\s*(?:REQ[-_ ]?\d+|R\d+|\d+[.)]|-|\*)\s+(.*)\s*$", re.IGNORECASE)
def segment(self, srs: str) -> List[str]:
srs = (srs or "").strip()
if not srs:
return []
# 1) если требования уже построчно/списком — берём строки
lines = [ln.strip() for ln in srs.splitlines() if ln.strip()]
# 2) склеиваем многострочные пункты: если строка не похожа на начало нового пункта — считаем продолжением
chunks: List[str] = []
buf: List[str] = []
for ln in lines:
is_new = bool(self.REQ_LINE_RE.match(ln)) or ln.lower().startswith(("shall", "must", "should", "system", "приложение", "система"))
if is_new and buf:
chunks.append(" ".join(buf).strip())
buf = []
buf.append(ln)
if buf:
chunks.append(" ".join(buf).strip())
# fallback: если получилось слишком мало — режем по точке с запятой/точкам с большими буквами
if len(chunks) <= 1 and len(srs) > 300:
parts = re.split(r"(?<=[.;])\s+(?=[A-ZА-ЯЁ])", srs)
parts = [p.strip() for p in parts if p.strip()]
if len(parts) > len(chunks):
chunks = parts
return chunks
def classify(self, text: str) -> Tuple[str, List[str]]:
t = text.lower()
tags: List[str] = []
# очень грубая эвристика
if any(k in t for k in ["ms", "сек", "seconds", "performance", "latency", "rps", "нагруз", "время отклика", "доступност", "sla"]):
tags.append("performance")
if any(k in t for k in ["security", "шифр", "oauth", "jwt", "роль", "доступ", "авторизац", "аутентификац", "pII".lower()]):
tags.append("security")
if any(k in t for k in ["log", "лог", "audit", "трасс", "наблюдаем", "метрик", "monitor", "алерт"]):
tags.append("observability")
if any(k in t for k in ["ui", "ux", "интерфейс", "экран", "форма", "кнопк"]):
tags.append("ui")
# classification
if any(k in t for k in ["должен", "must", "shall", "обязан"]):
# функциональные чаще про действия/кейсы
if any(k in t for k in ["созда", "удаля", "обнов", "получ", "отправ", "импорт", "экспорт", "рассчит", "показ", "поиск", "фильтр"]):
return "functional", tags
# нефункциональные — про качество/ограничения
if any(k in t for k in ["не менее", "не более", "ms", "сек", "доступност", "безопасн", "масштаб", "производит", "надежн", "совместим"]):
return "non-functional", tags
return "other", tags
if any(k in t for k in ["предполагается", "assume", "assumption"]):
return "assumption", tags
if any(k in t for k in ["огранич", "constraint", "только", "запрещ", "не допускается"]):
return "constraint", tags
return "other", tags
def normalize(self, text: str) -> str:
# убираем маркеры типа "1) " "REQ-1 " "-" "*"
m = self.REQ_LINE_RE.match(text)
if m:
text = m.group(1).strip()
text = re.sub(r"\s+", " ", text).strip()
# нормализация "Система должна" в единую форму, но без фанатизма
text = re.sub(r"^(система|приложение)\s+", "Система ", text, flags=re.IGNORECASE)
return text
def run(self, srs: str) -> List[NormalizedRequirement]:
segments = self.segment(srs)
out: List[NormalizedRequirement] = []
for i, seg in enumerate(segments, start=1):
norm = self.normalize(seg)
cls, tags = self.classify(norm)
out.append(
NormalizedRequirement(
req_id=f"REQ-{i:03d}",
source_text=seg,
normalized_text=norm,
classification=cls,
tags=tags,
)
)
return out
# =======================
# QualityAgent: rule-based + (упрощённые) INVERT / SMART / GQM
# =======================
class QualityAgent:
AMBIGUOUS_WORDS = [
"быстро", "удобно", "понятно", "желательно", "примерно", "как можно", "оптимально",
"в разумные сроки", "и т.п.", "и т.д.", "достаточно", "при необходимости",
"some", "several", "as needed", "etc", "quickly", "user-friendly",
]
WEAK_MODALS = ["может", "could", "may", "желательно", "should"]
STRONG_MODALS = ["должен", "must", "shall", "обязан"]
UNVERIFIABLE = ["удобно", "интуитивно", "красиво", "понятно", "friendly", "intuitive"]
NUMBER_RE = re.compile(r"(\d+(?:[.,]\d+)?)\s*(ms|сек|s|seconds|%|rps|rpm|gb|mb|kb|мин|min|hours|час|дней|day|days)\b", re.IGNORECASE)
def _find_spans(self, text: str, needles: List[str]) -> List[str]:
found: List[str] = []
t = text.lower()
for w in needles:
if w.lower() in t:
found.append(w)
return found
def _defect(self, code: str, severity: str, message: str, spans: List[str]) -> Defect:
return Defect(code=code, severity=severity, message=message, spans=spans)
def evaluate(self, req: NormalizedRequirement) -> QualityReport:
text = req.normalized_text.strip()
t = text.lower()
defects: List[Defect] = []
amb = self._find_spans(text, self.AMBIGUOUS_WORDS)
if amb:
defects.append(self._defect(
code="AMBIGUOUS_WORDING",
severity="high" if len(amb) >= 2 else "medium",
message="Найдены неоднозначные/расплывчатые слова. Замените на измеримые критерии.",
spans=amb,
))
weak = self._find_spans(text, self.WEAK_MODALS)
if weak:
defects.append(self._defect(
code="WEAK_MODAL",
severity="medium",
message="Используются слабые модальные слова (может/should). Требование может стать необязательным.",
spans=weak,
))
has_strong = any(m in t for m in self.STRONG_MODALS)
if not has_strong and req.classification in ("functional", "non-functional", "constraint"):
defects.append(self._defect(
code="MISSING_NORMATIVE_MODAL",
severity="medium",
message="Нет явной нормативности (должен/must/shall). Уточните обязательность.",
spans=[],
))
# Проверяем измеримость (числа+единицы) для NFR/качества
has_numbers = bool(self.NUMBER_RE.search(text))
if req.classification == "non-functional" and not has_numbers:
defects.append(self._defect(
code="MISSING_MEASURABLE_CRITERIA",
severity="high",
message="Для нефункционального требования не задан измеримый критерий (число + единица).",
spans=[],
))
unver = self._find_spans(text, self.UNVERIFIABLE)
if unver:
defects.append(self._defect(
code="POOR_VERIFIABILITY",
severity="high",
message="Формулировка плохо проверяема (субъективные критерии).",
spans=unver,
))
# Простейшая проверка на “одна мысль — одно требование”
if len(re.split(r"\b(и|and|или|or)\b", t)) > 7:
defects.append(self._defect(
code="MULTIPLE_REQUIREMENTS_IN_ONE",
severity="medium",
message="Похоже, в одном предложении смешано несколько требований. Разбейте на отдельные пункты.",
spans=[],
))
# --- Метрики (упрощённые) ---
# ambiguity: 0..1 (1 = много неоднозначностей)
ambiguity = min(1.0, 0.2 * len(amb) + (0.15 if weak else 0.0))
# specificity: штрафуем за отсутствие чисел в NFR и за расплывчатость
specificity = 1.0
if req.classification == "non-functional" and not has_numbers:
specificity -= 0.5
specificity -= 0.15 * len(amb)
specificity = max(0.0, min(1.0, specificity))
# verifiability: штраф за субъективность и отсутствие критериев
verifiability = 1.0
if unver:
verifiability -= 0.6
if req.classification == "non-functional" and not has_numbers:
verifiability -= 0.4
verifiability = max(0.0, min(1.0, verifiability))
# SMART (S,M,A,R,T) — приближение через специфичность + измеримость + проверяемость
smart_score = max(0.0, min(1.0, (specificity * 0.45 + verifiability * 0.55)))
# INVERT — приближение: отсутствие неоднозначности + “однозначная проверка”
invert_score = max(0.0, min(1.0, (1.0 - ambiguity) * 0.55 + verifiability * 0.45))
# GQM — если есть (Goal/Question/Metric) хотя бы частично: наличие метрик/критериев и “что проверять”
gqm_score = 0.3
if has_numbers:
gqm_score += 0.4
if has_strong:
gqm_score += 0.2
if not amb:
gqm_score += 0.1
gqm_score = max(0.0, min(1.0, gqm_score))
overall = max(0.0, min(1.0, (invert_score + smart_score + gqm_score) / 3.0))
metrics = QualityMetrics(
invert_score=round(invert_score, 3),
smart_score=round(smart_score, 3),
gqm_score=round(gqm_score, 3),
verifiability=round(verifiability, 3),
specificity=round(specificity, 3),
ambiguity=round(ambiguity, 3),
overall=round(overall, 3),
)
return QualityReport(req_id=req.req_id, metrics=metrics, defects=defects)
def run(self, req: NormalizedRequirement) -> QualityReport:
return self.evaluate(req)
# =======================
# RefactorAgent: LLM-рефакторинг требования по дефектам + целевым критериям
# =======================
class RefactorAgent:
def __init__(self, model: OllamaCloudModel):
self.model = model
def run(self, req: NormalizedRequirement, report: QualityReport) -> RefactorResult:
defects = report.defects or []
defects_md = "\n".join(
[f"- [{d.severity}] {d.code}: {d.message}" + (f" (спаны: {', '.join(d.spans)})" if d.spans else "")
for d in defects]
) or "- (дефектов не найдено)"
target_criteria = """
Целевые критерии улучшения:
- SMART: конкретно, измеримо, достижимо, релевантно, ограничено по времени/условиям где уместно
- INVERT (упрощённо): однозначность, проверяемость, атомарность, отсутствие расплывчатых слов
- GQM: чтобы было понятно, как измерять/проверять (метрика/критерий приемки)
"""
prompt = f"""
Ты — эксперт по требованиям (SRS). Улучши формулировку требования.
Исходное требование (req_id={req.req_id}):
{req.normalized_text}
Классификация: {req.classification}
Теги: {", ".join(req.tags) if req.tags else "-"}
Выявленные дефекты:
{defects_md}
{target_criteria}
Задача:
1) Верни улучшенную формулировку (одной строкой или несколькими, но без воды).
2) Затем коротко перечисли, какие дефекты исправлены.
3) Если требование нефункциональное и нет метрик — добавь измеримый критерий (число + единица),
но НЕ выдумывай домен: используй нейтральные критерии (например, время отклика, точность, SLA) и пометь как "пример".
4) Не добавляй лишних требований, только уточняй существующее.
Формат ответа (СТРОГО):
IMPROVED:
<текст>
FIXED_DEFECTS:
- <код1>
- <код2>
EXPLANATION:
<1-3 предложения>
""".strip()
out = self.model.generate([{"role": "user", "content": prompt}])
improved, fixed, expl = self._parse_refactor(out, fallback=req.normalized_text, defects=defects)
return RefactorResult(
req_id=req.req_id,
improved_text=improved,
fixed_defects=fixed,
explanation=expl,
)
def _parse_refactor(self, text: str, fallback: str, defects: List[Defect]) -> Tuple[str, List[str], str]:
improved = fallback
fixed_codes = [d.code for d in defects]
explanation = "Уточнена формулировка с учётом найденных дефектов."
# грубый парсер по секциям
m1 = re.search(r"IMPROVED:\s*(.+?)\n\s*FIXED_DEFECTS:", text, flags=re.S | re.I)
if m1:
improved = m1.group(1).strip()
m2 = re.search(r"FIXED_DEFECTS:\s*(.+?)\n\s*EXPLANATION:", text, flags=re.S | re.I)
if m2:
block = m2.group(1).strip()
codes = []
for ln in block.splitlines():
ln = ln.strip()
if ln.startswith("-"):
codes.append(ln[1:].strip())
if codes:
fixed_codes = codes
m3 = re.search(r"EXPLANATION:\s*(.+)\s*$", text, flags=re.S | re.I)
if m3:
explanation = m3.group(1).strip()
return improved, fixed_codes, explanation
# =======================
# PlantUML: простая валидация/минимальные правки + (опционально) LLM-подсказки
# =======================
class PlantUMLAgent:
START = "@startuml"
END = "@enduml"
def extract_blocks(self, text: str) -> List[str]:
if not text:
return []
blocks = []
pattern = re.compile(r"@startuml[\s\S]*?@enduml", re.IGNORECASE)
for m in pattern.finditer(text):
blocks.append(m.group(0).strip())
return blocks
def basic_fix(self, block: str) -> Tuple[str, List[str]]:
changes: List[str] = []
b = block.strip()
if self.START not in b.lower():
b = f"@startuml\n{b}"
changes.append("Добавлен @startuml в начале блока.")
if self.END not in b.lower():
b = f"{b}\n@enduml"
changes.append("Добавлен @enduml в конце блока.")
# нормализуем переносы и табы
b2 = b.replace("\t", " ")
if b2 != b:
b = b2
changes.append("Заменены табы на пробелы.")
# типовые опечатки
b2 = re.sub(r"@end\s*uml", "@enduml", b, flags=re.IGNORECASE)
if b2 != b:
b = b2
changes.append("Исправлено '@end uml' → '@enduml'.")
return b.strip(), changes
def run(self, plantuml_text: str) -> Tuple[str, List[str]]:
blocks = self.extract_blocks(plantuml_text)
if not blocks and (plantuml_text or "").strip():
# если пользователь вставил диаграмму без start/end — считаем это одним блоком
blocks = [(plantuml_text or "").strip()]
fixed_blocks: List[str] = []
changes: List[str] = []
for i, bl in enumerate(blocks, start=1):
fixed, ch = self.basic_fix(bl)
fixed_blocks.append(fixed)
for c in ch:
changes.append(f"Диаграмма #{i}: {c}")
return ("\n\n".join(fixed_blocks)).strip(), changes
# =======================
# Orchestrator: связывает агентов и собирает единый ответ
# =======================
class Orchestrator:
def __init__(self, model_id: str):
self.model = OllamaCloudModel(model_id=model_id.strip() or "gpt-oss:120b")
self.analysis = AnalysisAgent()
self.quality = QualityAgent()
self.refactor = RefactorAgent(self.model)
self.plantuml = PlantUMLAgent()
def run(self, srs: str, plantuml_optional: str) -> Dict[str, Any]:
changes: List[str] = []
tips: List[str] = []
# 1) PlantUML (опционально)
fixed_diagrams = ""
diagram_changes: List[str] = []
if (plantuml_optional or "").strip():
fixed_diagrams, diagram_changes = self.plantuml.run(plantuml_optional)
changes.extend(diagram_changes)
# 2) Analysis
normalized = self.analysis.run(srs)
if not normalized:
return {
"final_md": "❗️Не нашёл требований в тексте SRS. Вставь хотя бы 1-2 пункта требований.",
"normalized_json": "[]",
"quality_json": "[]",
"refactor_json": "[]",
}
# 3) Quality + Refactor
quality_reports: List[QualityReport] = []
refactors: List[RefactorResult] = []
for req in normalized:
qr = self.quality.run(req)
quality_reports.append(qr)
# если дефектов нет — можно не трогать; но обычно полезно унифицировать стиль
rr = self.refactor.run(req, qr) if (qr.defects or []) else RefactorResult(
req_id=req.req_id,
improved_text=req.normalized_text,
fixed_defects=[],
explanation="Дефектов не выявлено, формулировка оставлена без изменений.",
)
refactors.append(rr)
# изменения по требованию
if rr.improved_text.strip() != req.normalized_text.strip():
changes.append(f"{req.req_id}: улучшена формулировка требования.")
if qr.defects:
tips.append(f"{req.req_id}: проверь критерии приемки и измеримость (особенно если это NFR).")
# 4) Сборка пользовательского ответа
final_md = self._render_final(normalized, quality_reports, refactors, fixed_diagrams, changes, tips)
return {
"final_md": final_md,
"normalized_json": json.dumps([asdict(x) for x in normalized], ensure_ascii=False, indent=2),
"quality_json": json.dumps([self._asdict_quality(x) for x in quality_reports], ensure_ascii=False, indent=2),
"refactor_json": json.dumps([asdict(x) for x in refactors], ensure_ascii=False, indent=2),
}
def _asdict_quality(self, qr: QualityReport) -> Dict[str, Any]:
return {
"req_id": qr.req_id,
"metrics": asdict(qr.metrics),
"defects": [asdict(d) for d in (qr.defects or [])],
}
def _render_final(
self,
normalized: List[NormalizedRequirement],
quality: List[QualityReport],
refactors: List[RefactorResult],
fixed_diagrams: str,
changes: List[str],
tips: List[str],
) -> str:
q_by_id = {q.req_id: q for q in quality}
r_by_id = {r.req_id: r for r in refactors}
md = []
md.append("# ✅ Исправленные требования и рекомендации\n")
md.append("## 1) Итоговые требования (улучшенные формулировки)\n")
for req in normalized:
rr = r_by_id[req.req_id]
qr = q_by_id[req.req_id]
md.append(f"### {req.req_id} — {req.classification}\n")
md.append(f"**Было:** {req.normalized_text}\n")
md.append(f"**Стало:** {rr.improved_text}\n")
md.append("**Метрики качества (0..1):**")
md.append(
f"- overall: {qr.metrics.overall} | SMART: {qr.metrics.smart_score} | INVERT: {qr.metrics.invert_score} | GQM: {qr.metrics.gqm_score}"
)
if qr.defects:
md.append("**Дефекты:**")
for d in qr.defects:
spans = f" (спаны: {', '.join(d.spans)})" if d.spans else ""
md.append(f"- [{d.severity}] {d.code}: {d.message}{spans}")
md.append("**Что исправлено:**")
if rr.fixed_defects:
for c in rr.fixed_defects:
md.append(f"- {c}")
else:
md.append("- (ничего)")
md.append(f"**Пояснение:** {rr.explanation}\n")
if fixed_diagrams.strip():
md.append("## 2) Диаграммы (PlantUML) с исправлениями\n")
md.append("```plantuml")
md.append(fixed_diagrams.strip())
md.append("```\n")
md.append("## 3) Список изменений\n")
if changes:
for c in changes:
md.append(f"- {c}")
else:
md.append("- (изменений не зафиксировано)")
md.append("\n## 4) Советы\n")
uniq_tips = []
for t in tips:
if t not in uniq_tips:
uniq_tips.append(t)
if uniq_tips:
for t in uniq_tips[:20]:
md.append(f"- {t}")
else:
md.append("- Требования выглядят неплохо. Если это финальная версия, добавь тестируемые критерии приемки там, где это важно.")
md.append("\n---\n")
md.append("_Примечание: метрики INVERT/SMART/GQM здесь реализованы в упрощённом виде (практическая эвристика), "
"а улучшение текста делает LLM-агент по списку дефектов._")
return "\n".join(md)
# =======================
# Gradio UI
# =======================
def gradio_run(
srs_text: str,
plantuml_text: str,
model_id: str,
):
orch = Orchestrator(model_id=model_id)
res = orch.run(srs_text or "", plantuml_text or "")
return res["final_md"], res["normalized_json"], res["quality_json"], res["refactor_json"]
with gr.Blocks() as demo:
gr.Markdown(
"""
# 🧩 Multi-Agent SRS Refiner (Orchestrator + Analysis + Quality + Refactor)
Вставь SRS (требования) и (опционально) PlantUML — получишь:
- улучшенные формулировки требований
- метрики качества и дефекты
- (опционально) исправленные PlantUML блоки
- список изменений и советы
"""
)
with gr.Row():
with gr.Column(scale=2):
srs_input = gr.Textbox(
label="SRS / Требования (текст)",
placeholder="Вставь требования списком (по строкам) или цельным текстом.",
lines=14,
)
plantuml_input = gr.Textbox(
label="PlantUML (опционально)",
placeholder="@startuml ... @enduml (можно несколько блоков)",
lines=10,
)
with gr.Column(scale=1):
model_id_input = gr.Textbox(
label="Ollama Cloud модель",
value="gpt-oss:120b",
placeholder="Например: gpt-oss:120b",
)
run_btn = gr.Button("Запустить оркестратора")
out_md = gr.Markdown(label="Результат")
with gr.Accordion("Debug: Нормализованные требования (JSON)", open=False):
out_norm = gr.Code(language="json")
with gr.Accordion("Debug: Оценка качества (JSON)", open=False):
out_quality = gr.Code(language="json")
with gr.Accordion("Debug: Рефакторинг (JSON)", open=False):
out_ref = gr.Code(language="json")
run_btn.click(
fn=gradio_run,
inputs=[srs_input, plantuml_input, model_id_input],
outputs=[out_md, out_norm, out_quality, out_ref],
)
if __name__ == "__main__":
demo.launch()
|