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()