app/core/prompt_engine.py

# app/core/prompt_engine.py

import openai
from app.core.schema_definition import BIMProjectJSON
import json

class PromptEngine:
    def __init__(self, api_key: str):
        self.api_key = api_key
        openai.api_key = self.api_key

    async def generate_json_from_prompt(self, metadata: dict, user_text: str) -> BIMProjectJSON:
        """
        این متد، اطلاعات فرم (metadata) و متن کاربر (user_text) را می‌گیرد
        و خروجی را دقیقاً مطابق با ساختار BIMProjectJSON برمی‌گرداند.
        """
        
        # ۱. ساختن System Prompt بسیار دقیق برای مدل
        system_instruction = f"""
        You are a highly specialized BIM Data Extraction Engine. 
        Your ONLY task is to convert architectural descriptions into a strict JSON format.

        ### STRICT RULES:
        1. Use the provided metadata as the base for 'project_metadata'.
        2. Map all architectural elements to these exact types: 
           [Column, Beam, Wall-Structural, Wall-Non-Structural, Door, Window, Slab, Floor-Finish, Ceiling, Roof, Light-Fixture].
        3. All coordinates (x, y, z) and dimensions (length, width, height) must be in FLOAT (meters).
        4. If a dimension is not mentioned, use a logical default or null, but NEVER guess incorrectly.
        5. Output MUST be a single, valid JSON object following the schema.
        6. Do not include any preamble, explanations, or markdown code blocks (like
```json). Just the raw JSON.

### OUTPUT SCHEMA EXAMPLE:
{{
"project_metadata": {{{{ "name": "Example", "level": "Ground", "unit": "meter" }}}},
"elements": [
{{
"id": "COL_01",
"element_type": "Column",
"position": {{"x": 0.0, "y": 0.0, "z": 0.0}},
"dimensions": {{"length": 0.5, "width": 0.5, "height": 3.0}},
"material": "Concrete",
"description": "Corner column"
}}
]
}}
"""

# ۲. ترکیب Metadata و User Text برای ایجاد Prompt نهایی
user_content = f"""
### CONTEXT FROM FORM:
{json.dumps(metadata, indent=2)}

### USER ARCHITECTURAL DESCRIPTION:
"{user_text}"

### FINAL TASK:
Generate the complete JSON object based on the context and description above.
"""

try:
# ۳. فراخوانی مدل
response = await openai.ChatCompletion.acreate(
model="gpt-4o", # یا gpt-5.5 در صورت در دسترس بودن
messages=[
{"role": "system", "content": system_instruction},
{"role": "user", "content": user_content}
],
temperature=0.0, # دما را روی صفر می‌گذاریم تا دقت بالا و خلاقیت (و خطا) کم شود
response_format={ "type": "json_object" } # اجبار مدل به تولید JSON
)

# ۴. استخراج و اعتبارسنجی با Pydantic
raw_json_str = response.choices[0].message.content
parsed_data = json.loads(raw_json_str)

# این خط بسیار مهم است: اگر AI خروجی اشتباه بدهد، Pydantic خطا می‌دهد و ما متوجه می‌شویم
validated_json = BIMProjectJSON(**parsed_data)

return validated_json

except Exception as e:
print(f"Error in Prompt Engine: {e}")
raise e