google/flan-t5-small . app.py v2.2

core/interviewer.py

@@ -1,91 +1,80 @@
 # core/interviewer.py
-"""
-🇬🇧 Interviewer logic module
-Generates context-aware MBTI interview questions using Flan-T5 model!.
-
-🇷🇺 Модуль логики интервьюера
-Генерирует вопросы по категориям MBTI с использованием Flan-T5.
-"""
 
 from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline
-import random
 
-# --------------------------------------------------------------
-# 1️⃣ Настройки
-# --------------------------------------------------------------
 QG_MODEL = "google/flan-t5-small"
 
 tokenizer = AutoTokenizer.from_pretrained(QG_MODEL)
-model = AutoModelForSeq2SeqLM.from_pretrained(QG_MODEL)
+_model = AutoModelForSeq2SeqLM.from_pretrained(QG_MODEL)
 
-qg_pipe = pipeline(
+# используем заглавное имя, чтобы отличать от параметра в функции
+QG_PIPE = pipeline(
     "text2text-generation",
-    model=model,
+    model=_model,
     tokenizer=tokenizer,
     max_new_tokens=40,
     num_beams=4,
     no_repeat_ngram_size=4,
 )
 
-# --------------------------------------------------------------
-# 2️⃣ Состояние сессии
-# --------------------------------------------------------------
 session_state = {
     "history": {},
     "categories": [
         "Extroversion", "Introversion",
         "Sensing", "Intuition",
         "Thinking", "Feeling",
-        "Judging", "Perceiving"
+        "Judging", "Perceiving",
     ],
 }
 
-
-# --------------------------------------------------------------
-# 3️⃣ Генерация нового вопроса
-# --------------------------------------------------------------
-def generate_question(user_id: str, user_answer: str = None):
+def _clean(q: str) -> str:
+    q = (q or "").strip()
+    # выбрасываем служебные словечки, если модель их вставила
+    bad = ["generate", "question", "output", "explain", "instruction", "user said", "based on"]
+    lower = q.lower()
+    for b in bad:
+        if b in lower:
+            # забираем всё после найденной подстроки
+            idx = lower.find(b) + len(b)
+            q = q[idx:].lstrip(":,. ").strip()
+            lower = q.lower()
+    if q and not q[0].isupper():
+        q = q.capitalize()
+    if "?" not in q:
+        q = q.rstrip(".") + "?"
+    return q
+
+def generate_question(user_id: str, user_answer: str = None, qg_pipe=None, **kwargs) -> str:
     """
-    Generates one question per MBTI axis.
-    Avoids repeating previous ones within the same session.
+    Возвращает один новый вопрос по следующей неиспользованной MBTI-оси.
+    Параметр qg_pipe — необязателен, игнорируем если не передали.
+    **kwargs проглатываем, чтобы не падать, если вызывающий код шлёт лишнее.
     """
     history = session_state["history"].get(user_id, {"asked": []})
     asked = history["asked"]
-    all_cats = session_state["categories"]
+    cats = session_state["categories"]
 
-    # Если все категории пройдены
-    if len(asked) >= len(all_cats):
+    if len(asked) >= len(cats):
         return "✅ All MBTI axes covered."
 
-    # Выбираем следующую категорию
-    next_cat = next(c for c in all_cats if c not in asked)
-    history["asked"].append(next_cat)
+    next_cat = next(c for c in cats if c not in asked)
+    asked.append(next_cat)
     session_state["history"][user_id] = history
 
-    # Промпт для T5
     prompt = (
-        f"Generate one open-ended question about {next_cat} based on this context: '{user_answer}'. "
-        f"Do not repeat or explain. Output only the question itself."
+        f"Ask one concise, open-ended question about {next_cat}. "
+        f"Start with What/Why/How/When. "
+        f"Do not mention instructions. "
+        f"Do not repeat or quote the user. "
+        f"User context: {user_answer or ''}"
     )
 
-    try:
-        output = qg_pipe(prompt)[0]["generated_text"].strip()
-    except Exception as e:
-        return f"⚠️ Generation error: {e}"
-
-    # Очистка мусора — чтобы не было “Generate a question about...”
-    bad_phrases = [
-        "generate", "question about", "output", "explain", "instruction", "user said"
-    ]
-    for bp in bad_phrases:
-        if bp.lower() in output.lower():
-            output = output.split(bp, 1)[-1].strip().lstrip(":").strip()
-
-    # Убеждаемся, что начинается с нужного слова
-    if not output[0].isupper():
-        output = output.capitalize()
+    pipe = qg_pipe or QG_PIPE
+    out = pipe(prompt)[0]["generated_text"]
+    question = _clean(out)
 
-    if "?" not in output:
-        output += "?"
+    # небольшой страховочный фоллбэк
+    if not question or len(question.split()) < 3:
+        question = f"What aspects of {next_cat.lower()} best describe you and why?"
 
-    return f"({next_cat}) {output}"
+    return f"({next_cat}) {question}"