Письмо и контент

import requests

OLLAMA = "http://localhost:11434/api/chat"

def draft(text: str) -> str:
    """Быстрый черновик."""
    r = requests.post(OLLAMA, json={
        "model": "qwen3.5:4b",
        "messages": [{"role": "user", "content": text}],
        "stream": False
    })
    return r.json()["message"]["content"]

def review(text: str) -> str:
    """Критический разбор."""
    r = requests.post(OLLAMA, json={
        "model": "qwen3.5:9b",
        "messages": [
            {"role": "system", "content": (
                "Ты — редактор. Найди ошибки, неточности, слабые места в тексте. "
                "Проверь: факты, грамматику, стиль, структуру."
            )},
            {"role": "user", "content": text}
        ],
        "stream": False
    })
    return r.json()["message"]["content"]

def improve(text: str, critique: str) -> str:
    """Улучшение на основе критики."""
    r = requests.post(OLLAMA, json={
        "model": "qwen3.5:9b",
        "messages": [
            {"role": "system", "content": "Улучши текст на основе критики. Верни только финальную версию."},
            {"role": "user", "content": f"Оригинал:\n{text}\n\nКритика:\n{critique}\n\nУлучшенный текст:"}
        ],
        "stream": False
    })
    return r.json()["message"]["content"]

# Полный пайплайн
def write_with_reflection(topic: str) -> str:
    """Пишет текст с самопроверкой."""
    print("  ✏️ Черновик...")
    raw = draft(f"Напиши краткую статью на тему: {topic}")
    print("  🔍 Рецензия...")
    critique = review(raw)
    print("  ✨ Финальная версия...")
    final = improve(raw, critique)
    return final

# Пример
article = write_with_reflection("Преимущества локальных AI-моделей")
print(article)

#!/usr/bin/env python3
"""content_generator.py — массовая генерация текстов через Ollama."""

import requests
import json
import csv
from pathlib import Path

OLLAMA = "http://localhost:11434/api/chat"

def generate(topic: str, tone: str = "neutral") -> str:
    """Генерирует текст по теме с заданным тоном."""
    
    tones = {
        "neutral": "Напиши информативный текст.",
        "professional": "Напиши деловой текст. Используй профессиональную лексику.",
        "friendly": "Напиши дружелюбный, разговорный текст.",
        "persuasive": "Напиши убедительный текст с призывом к действию."
    }
    
    response = requests.post(OLLAMA, json={
        "model": "qwen3.5:4b",
        "messages": [
            {"role": "system", "content": tones.get(tone, tones["neutral"])},
            {"role": "user", "content": f"Тема: {topic}"}
        ],
        "stream": False
    })
    return response.json()["message"]["content"]


# Генерация из CSV-файла
def generate_from_csv(csv_path: str, output_dir: str = "output"):
    """Генерирует тексты для каждой строки CSV."""
    
    Path(output_dir).mkdir(exist_ok=True)
    
    with open(csv_path) as f:
        reader = csv.DictReader(f)
        for row in reader:
            text = generate(row["topic"], row.get("tone", "neutral"))
            
            filename = row.get("filename", f"{row['topic'][:30]}.md")
            filepath = Path(output_dir) / filename
            filepath.write_text(text)
            print(f"  ✓ {filename}")


if __name__ == "__main__":
    # Пример: массовая генерация описаний
    topics = [
        {"topic": "Что такое RAG в контексте LLM", "tone": "professional"},
        {"topic": "Как выбрать модель для кодинга", "tone": "friendly"},
        {"topic": "Преимущества локального AI перед облачным", "tone": "persuasive"},
    ]
    
    for item in topics:
        text = generate(item["topic"], item["tone"])
        print(f"\n📄 {item['topic']}")
        print(text[:200] + "...")