"""Step 1 - reading the content. Cell [11]. Ported from `case_study_pipeline.ipynb`. The notebook was one namespace, so each module re-imports the ones before it; every prompt and every standard is the notebook's text, compared character by character by the fidelity test. """ from __future__ import annotations import asyncio # noqa: F401 import datetime # noqa: F401 import html # noqa: F401 import json # noqa: F401 import pathlib # noqa: F401 import re # noqa: F401 from typing import Any, Callable, Literal, Optional # noqa: F401 from pydantic import ( # noqa: F401 BaseModel, ConfigDict, Field, ValidationError, model_validator, ) from app.agents.case_study.helpers import * # noqa: F403 from app.agents.case_study.lint import * # noqa: F403 from app.agents.case_study.profiles import * # noqa: F403 from app.agents.case_study.runner import * # noqa: F403 from app.agents.case_study.schemas import * # noqa: F403 from app.agents.case_study.standards import * # noqa: F403 # The notebook was one namespace; these are read below and were # not carried over by the split into modules. from app.agents.case_study.agents import analyst_agent def build_prompt(marker: str, inp: CaseInput, prev: dict[str, Any], standards: str, task: str, skeleton: str) -> str: """ترتيب ثابت: marker ← سياق المشروع ← المدخلات السابقة (JSON) ← المعايير الملزمة ← المطلوب ← skeleton.""" parts = [marker, project_context_block(inp)] for title, obj in prev.items(): body = obj if isinstance(obj, str) else dump(obj) parts.append(f"### {title}\n```\n{body}\n```") parts.append("### المعايير الملزمة\n" + standards) parts.append("### المطلوب\n" + task) parts.append("### هيكل المخرج (JSON حرفي — التزم بالمفاتيح والأنواع)\n```json\n" + skeleton.strip() + "\n```\nأخرج كائن JSON واحدًا فقط دون أي شرح.") return "\n\n".join(parts) ANALYSIS_SKELETON = """{ "domain": "المجال", "audience_profile": "وصف الفئة وما يناسبها", "central_idea": "الفكرة المحورية في جملة", "learning_need": "المشكلة الأدائية التي يعالجها المحتوى", "content_blocks": [ {"id": "B1", "heading": "عنوان الكتلة", "summary": "ملخص أمين", "key_points": ["نقطة كما وردت", "..."], "facts": ["رقم/إحصائية/خطوة كما وردت حرفيًا"]} ], "candidate_axes": ["محور مقترح يبدأ بمصدر", "..."], "suggested_intro": {"type": "realistic_situation", "idea": "فكرة المقدمة"}, "cultural_notes": ["ملاحظة ثقافية/جغرافية تنعكس على المشاهد"], "risks": ["نقطة علمية أو حساسة تحتاج انتباهًا"] }""" async def step_analyze(inp: CaseInput) -> Analysis: task = """\ - حدّد المجال والفئة والفكرة المحورية والحاجة الأدائية. - قسّم المحتوى إلى content_blocks **بترتيبه الأصلي** (id: B1, B2...)، وانقل كل معلومة وكل رقم وكل خطوة دون إسقاط أو تحريف (key_points وfacts). - اقترح candidate_axes (من {lo} إلى {hi}) تبدأ بمصدر معرّف دون أفعال. - اقترح أسلوب المقدمة الأنسب (type من: provocative_question | realistic_situation | surprising_fact) مع الفكرة. - cultural_notes حسب السياق الجغرافي والثقافي المحدد (أو «عام» إن كان فارغًا)، وrisks للنقاط العلمية الحساسة.""".format( lo=inp.type_settings.axes_min, hi=inp.type_settings.axes_max) prompt = build_prompt("#TASK=analysis #SCENE=0", inp, {"المحتوى الخام": inp.content}, "\n\n".join([STD_CONTENT_FIRST, STD_INTRO, STD_META.format(axes_min=inp.type_settings.axes_min, axes_max=inp.type_settings.axes_max)]), task, ANALYSIS_SKELETON) analysis = await run_json_task(analyst_agent, prompt, Analysis, "analysis", v_analysis) save_json("analysis.json", analysis) log(f"✓ التحليل: {len(analysis.content_blocks)} كتل محتوى") return analysis # analysis = await step_analyze(INPUT)