Added code samples for AI-Agents

agents/recommendation_engine.py

@@ -0,0 +1,130 @@
+"""Рекомендательная система для заданий (MVP-1)."""
+from typing import Dict, List, Optional
+
+import numpy as np
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.metrics.pairwise import cosine_similarity
+
+
+class RecommendationEngine:
+    """Простая рекомендательная система на основе TF-IDF."""
+
+    def __init__(self):
+        self.vectorizer = TfidfVectorizer(max_features=100, stop_words="english")
+        self.task_vectors = None
+        self.tasks = []
+
+    def fit(self, tasks: List[Dict]):
+        """
+        Обучить модель на исторических данных.
+
+        Args:
+            tasks: Список заданий с полями: title, description, category, completed
+        """
+        self.tasks = tasks
+
+        # Создаем текстовые описания для векторизации
+        texts = []
+        for task in tasks:
+            text = f"{task.get('title', '')} {task.get('description', '')} {task.get('category', '')}"
+            texts.append(text)
+
+        if texts:
+            self.task_vectors = self.vectorizer.fit_transform(texts)
+
+    def recommend(
+        self,
+        preferences: List[str],
+        completed_tasks: Optional[List[str]] = None,
+        top_k: int = 5,
+    ) -> List[Dict]:
+        """
+        Рекомендовать задания на основе предпочтений.
+
+        Args:
+            preferences: Предпочтения пользователя
+            completed_tasks: Список уже выполненных заданий (для исключения)
+            top_k: Количество рекомендаций
+
+        Returns:
+            Список рекомендованных заданий
+        """
+        if not self.tasks or self.task_vectors is None:
+            return []
+
+        # Векторизуем предпочтения
+        preferences_text = " ".join(preferences)
+        preference_vector = self.vectorizer.transform([preferences_text])
+
+        # Вычисляем схожесть
+        similarities = cosine_similarity(preference_vector, self.task_vectors)[0]
+
+        # Исключаем уже выполненные задания
+        if completed_tasks:
+            for i, task in enumerate(self.tasks):
+                if task.get("title") in completed_tasks or task.get("id") in completed_tasks:
+                    similarities[i] = -1
+
+        # Получаем топ-K индексов
+        top_indices = np.argsort(similarities)[::-1][:top_k]
+        top_indices = [idx for idx in top_indices if similarities[idx] > 0]
+
+        return [self.tasks[idx] for idx in top_indices]
+
+    def recommend_by_category(
+        self,
+        category: str,
+        completed_tasks: Optional[List[str]] = None,
+        top_k: int = 3,
+    ) -> List[Dict]:
+        """
+        Рекомендовать задания по категории.
+
+        Args:
+            category: Категория заданий
+            completed_tasks: Выполненные задания
+            top_k: Количество рекомендаций
+
+        Returns:
+            Список рекомендованных заданий
+        """
+        category_tasks = [task for task in self.tasks if task.get("category") == category]
+
+        if completed_tasks:
+            category_tasks = [
+                task
+                for task in category_tasks
+                if task.get("title") not in completed_tasks
+                and task.get("id") not in completed_tasks
+            ]
+
+        # Сортируем по популярности (можно добавить поле rating)
+        return category_tasks[:top_k]
+
+    def get_popular_tasks(self, top_k: int = 10) -> List[Dict]:
+        """
+        Получить популярные задания.
+
+        Args:
+            top_k: Количество заданий
+
+        Returns:
+            Список популярных заданий
+        """
+        # Простая эвристика: задания, которые чаще выполняются
+        task_scores: Dict[str, float] = {}
+
+        for task in self.tasks:
+            task_id = task.get("id") or task.get("title")
+            if task.get("completed", False):
+                task_scores[task_id] = task_scores.get(task_id, 0) + 1
+
+        # Сортируем по популярности
+        sorted_tasks = sorted(
+            self.tasks,
+            key=lambda t: task_scores.get(t.get("id") or t.get("title"), 0),
+            reverse=True,
+        )
+
+        return sorted_tasks[:top_k]
+