Chain of Code (CoC)

COC_SYSTEM_PROMPT = """Ты решаешь задачи методом Chain of Code.

Правила:
1. Запиши каждый шаг рассуждения как строку Python-кода
2. Для вычислений используй стандартные операции Python
3. Для семантических задач используй описательные функции:
   - analyze_sentiment(text) → str
   - classify(text, categories) → str
   - extract_entities(text) → list
   - is_relevant(text, topic) → bool
4. Добавляй комментарии, объясняющие логику
5. В конце собери результат в словарь result = {}

Интерпретатор выполнит арифметику и логику.
Семантические функции ты выполняешь сам (LMulator)."""

import ast
import traceback
from openai import OpenAI

client = OpenAI()

def execute_with_lmulator(code: str, model: str = "gpt-4o") -> dict:
    """
    Выполняет код построчно:
    - исполняемые строки → Python exec()
    - неисполняемые → LLM эмулирует результат
    """
    namespace = {}
    lines = code.strip().split("\n")
    execution_log = []

    for i, line in enumerate(lines):
        stripped = line.strip()

        # Пропускаем пустые строки и комментарии
        if not stripped or stripped.startswith("#"):
            execution_log.append(f"# {stripped}")
            continue

        try:
            # Попытка выполнить через Python
            exec(line, namespace)
            execution_log.append(f"[exec] {stripped}")

        except Exception as e:
            # Строка не исполняется — используем LMulator
            execution_log.append(f"[lmulator] {stripped}")

            # Извлекаем имя переменной (если есть присваивание)
            var_name = None
            if "=" in stripped and not stripped.startswith("if"):
                var_name = stripped.split("=")[0].strip()

            # LLM эмулирует результат
            context = "\n".join(
                f"{k} = {repr(v)}" for k, v in namespace.items()
                if not k.startswith("_")
            )
            prompt = f"""Текущие переменные:
{context}

Выполни строку кода и верни только результат (значение):
{stripped}

Верни ТОЛЬКО значение, без кода и пояснений."""

            response = client.chat.completions.create(
                model=model,
                messages=[
                    {"role": "system", "content": "Ты LMulator — эмулятор кода."},
                    {"role": "user", "content": prompt}
                ],
                temperature=0
            )

            result_text = response.choices[0].message.content.strip()

            # Попытка привести к Python-типу
            try:
                value = ast.literal_eval(result_text)
            except (ValueError, SyntaxError):
                value = result_text.strip('"\'')

            if var_name:
                namespace[var_name] = value

    return {
        "result": namespace.get("result", namespace),
        "log": execution_log
    }


# Использование
code = """
# Анализ отзыва
review = "Доставка за 3 дня вместо 1. Товар работает, коробка помята. 2500 руб."

# Вычисления (интерпретатор)
promised_days = 1
actual_days = 3
delay = actual_days - promised_days
penalty_rate = 0.005
penalty = 2500 * penalty_rate * delay

# Семантика (LMulator)
sentiment = analyze_sentiment(review)
product_condition = assess_condition("товар работает, коробка помята")

result = {
    "delay_days": delay,
    "penalty_rub": penalty,
    "sentiment": sentiment,
    "condition": product_condition
}
"""

output = execute_with_lmulator(code)
print(output["result"])
# {"delay_days": 2, "penalty_rub": 25.0,
#  "sentiment": "негативно-нейтральная", "condition": "товар исправен, упаковка повреждена"}

async def chain_of_code(task: str, model: str = "gpt-4o") -> dict:
    """
    Двухпроходный Chain of Code:
    1. Генерация кода (модель пишет решение)
    2. Выполнение с LMulator
    """
    # Проход 1: генерация кода
    gen_response = await client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": COC_SYSTEM_PROMPT},
            {"role": "user", "content": task}
        ],
        temperature=0
    )

    generated_code = gen_response.choices[0].message.content

    # Извлекаем код из markdown-блока
    if "```python" in generated_code:
        code = generated_code.split("```python")[1].split("```")[0]
    else:
        code = generated_code

    # Проход 2: выполнение с LMulator
    return execute_with_lmulator(code, model)