Meta-Prompting

from openai import OpenAI

client = OpenAI()

META_CONDUCTOR_SYSTEM = """Ты — мета-координатор (дирижёр). Твоя задача:

1. АНАЛИЗ: Получив задачу, определи, каких экспертов нужно привлечь (2-5 экспертов).
2. ДЕЛЕГИРОВАНИЕ: Для каждого эксперта сформулируй конкретную подзадачу.
3. ЭКСПЕРТИЗА: Ответь от лица каждого эксперта глубоко и профессионально.
4. СИНТЕЗ: Собери все ответы, устрани противоречия, дай итоговый ответ.

Формат ответа:
## Привлечённые эксперты
[список экспертов и их подзадачи]

## Ответы экспертов
### Эксперт: [роль]
[подзадача и ответ]

## Итоговый синтез
[финальный ответ, объединяющий все экспертные мнения]"""


def meta_prompting(
    task: str,
    model: str = "gpt-4o"
) -> str:
    """Базовый Meta-Prompting в одном вызове."""
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": META_CONDUCTOR_SYSTEM},
            {"role": "user", "content": task}
        ],
        temperature=0.7,
        max_tokens=4096,
    )

    return response.choices[0].message.content


result = meta_prompting(
    "Разработай стратегию запуска подкаста об AI "
    "для русскоязычной аудитории."
)
print(result)

import anthropic

client = anthropic.Anthropic()

def meta_prompting_multiturn(
    task: str,
    max_experts: int = 4,
    model: str = "claude-sonnet-4-20250514"
) -> dict:
    """
    Пошаговый Meta-Prompting с разделением этапов.
    Более контролируемый, чем one-shot.
    """
    results = {"task": task, "experts": [], "synthesis": ""}

    # Шаг 1: Определение экспертов
    plan_msg = client.messages.create(
        model=model,
        max_tokens=1024,
        messages=[{
            "role": "user",
            "content": (
                f"Задача: {task}\n\n"
                f"Определи {max_experts} экспертов, которых "
                f"нужно привлечь для решения этой задачи. "
                f"Для каждого укажи:\n"
                f"- Роль (специализация)\n"
                f"- Конкретный вопрос/подзадача\n\n"
                f"Формат: JSON-массив объектов "
                f"с полями role, question."
            )
        }]
    )
    plan = plan_msg.content[0].text

    # Шаг 2: Получение ответов экспертов
    for i in range(max_experts):
        expert_msg = client.messages.create(
            model=model,
            max_tokens=1024,
            messages=[{
                "role": "user",
                "content": (
                    f"Задача: {task}\n\n"
                    f"План экспертов:\n{plan}\n\n"
                    f"Ответь от лица эксперта #{i+1}. "
                    f"Будь конкретен, приводи цифры и факты."
                )
            }]
        )
        results["experts"].append({
            "index": i + 1,
            "response": expert_msg.content[0].text
        })

    # Шаг 3: Синтез
    all_expert_responses = "\n\n".join(
        f"Эксперт {e['index']}:\n{e['response']}"
        for e in results["experts"]
    )
    synthesis_msg = client.messages.create(
        model=model,
        max_tokens=2048,
        messages=[{
            "role": "user",
            "content": (
                f"Задача: {task}\n\n"
                f"Ответы экспертов:\n{all_expert_responses}\n\n"
                f"Как координатор, сведи все ответы в единый "
                f"итоговый документ. Устрани противоречия. "
                f"Дай конкретные рекомендации с приоритетами."
            )
        }]
    )
    results["synthesis"] = synthesis_msg.content[0].text

    return results

import json

def adaptive_meta_prompting(
    task: str,
    model: str = "gpt-4o"
) -> dict:
    """
    Адаптивный Meta-Prompting: модель сама определяет
    количество и специализацию экспертов.
    """
    # Шаг 1: Анализ задачи и выбор экспертов
    analysis = client.chat.completions.create(
        model=model,
        messages=[{
            "role": "user",
            "content": (
                f"Проанализируй задачу и определи, каких "
                f"экспертов нужно привлечь.\n\n"
                f"Задача: {task}\n\n"
                f"Верни JSON:\n"
                f'{{"experts": ['
                f'{{"role": "...", "question": "...", '
                f'"why": "..."}}'
                f"]}}"
            )
        }],
        temperature=0.3,
        response_format={"type": "json_object"},
    )

    try:
        experts = json.loads(
            analysis.choices[0].message.content
        )["experts"]
    except (json.JSONDecodeError, KeyError):
        experts = [{"role": "Универсальный аналитик",
                     "question": task}]

    # Шаг 2: Ответы экспертов
    expert_responses = []
    for expert in experts:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {
                    "role": "system",
                    "content": (
                        f"Ты — {expert['role']}. Отвечай "
                        f"профессионально и конкретно."
                    )
                },
                {
                    "role": "user",
                    "content": expert["question"]
                }
            ],
            temperature=0.5,
        )
        expert_responses.append({
            "role": expert["role"],
            "question": expert["question"],
            "answer": resp.choices[0].message.content
        })

    # Шаг 3: Синтез
    responses_text = "\n\n".join(
        f"**{e['role']}** (вопрос: {e['question']}):\n"
        f"{e['answer']}"
        for e in expert_responses
    )

    synthesis = client.chat.completions.create(
        model=model,
        messages=[{
            "role": "user",
            "content": (
                f"Задача: {task}\n\n"
                f"Ответы экспертов:\n{responses_text}\n\n"
                f"Сведи всё в итоговый ответ. "
                f"Выдели ключевые выводы и рекомендации."
            )
        }],
        temperature=0.5,
    )

    return {
        "experts": expert_responses,
        "synthesis": synthesis.choices[0].message.content,
    }