Skip to content

Commit 7c2669e

Browse files
committed
Add HW1
1 parent 69299fc commit 7c2669e

2 files changed

Lines changed: 316 additions & 0 deletions

File tree

‎homeworks/README.md‎

Lines changed: 140 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,140 @@
1+
# Как да си пуснем pygrader при нас ?
2+
3+
Първото важно нещо е, че **изпълнението на pygrader-а от вас не е задължително условие** за да бъдат оценени домашните ви.
4+
5+
Предоставяме ви възможност да тествате решението си върху част от тестовете, с цел да проверите дали сте в правилната посока.
6+
Крайните точки за всяко от домашните ще бъдат получавани след като преподавателския екип изпълни pygrader-а върху това което сте качили в Moodle.
7+
8+
Предоставяме три варианта за изпълнение на pygrader-а:
9+
10+
1. pygrader-web - уеб-базиран вариант. Не изисква инсталация на допълнителни програми на вашия компютър. Възможно е да има нестабилност при завишено използване.
11+
2. pygrader Docker image - Docker image на pygrader-а. Изисква инсталация на Docker на вашия компютър. Най-сигурният вариант.
12+
3. pygrader source - директно изпълнение на pygrader-а. Изисква сваляне на кода и конфигуриране.
13+
14+
## pygrader-web
15+
16+
[Тук](https://pygrader.lkarev.org/) е качена уеб версия на pygrader-а. За нейното използване не трябва да инсталирате нищо на вашата машина.
17+
18+
За да тествате решението си, трябва просто да го качите като .zip архив.
19+
20+
### Стъпка 1
21+
22+
Отворете link
23+
24+
![Web view](assets/web-1.png)
25+
26+
### Стъпка 2
27+
28+
Чрез бутона "Browse files" качете архива с вашето решение.
29+
**Важно: Приемат се само zip архиви.**
30+
31+
![Upload file](assets/web-2.png)
32+
33+
### Стъпка 3
34+
35+
Изчакайте докато pygrader-а прегледа вашето решение.
36+
37+
![Grading](assets/web-3.png)
38+
39+
40+
### Стъпка 4
41+
42+
Разгледайте резултатите за вашето решение.
43+
![Results](assets/web-4.png)
44+
45+
46+
## pygrader Docker package
47+
48+
Docker е технология, която позволява създаването и изпълнението на т.нар. "контейнери".
49+
50+
Единственото, което трябва да имате инсталирано на вашия компютър е Docker Desktop.
51+
[Тук](https://docs.docker.com/desktop/) може да намерите инструкции за инсталация за съответната ви операционна система (Windows/Linux/Mac)
52+
53+
След като сте свалили Docker Desktop, следвайте следните инструкции, спрямо вашата ОС.
54+
55+
**Важно** При инсталация на Windows оставете следните настройки включени:
56+
57+
![Windows install](assets/desktop-0.png)
58+
59+
### Docker desktop
60+
61+
#### Стъпка 1
62+
63+
Отворете Docker Desktop.
64+
65+
#### Стъпка 2
66+
67+
В долният-десен ъгъл е иконката за терминал.
68+
69+
![Docker desktop](assets/desktop-1.png)
70+
71+
#### Стъпка 3
72+
73+
От тук следвате стъпките в секцията по-долу, "Терминал".
74+
![Docker desktop2](assets/desktop-2.png)
75+
76+
### Терминал
77+
78+
Изпълнете следните две команди, една след друга:
79+
80+
```bash
81+
docker pull ghcr.io/fmipython/pygrader:main
82+
docker run --rm -v <path_to_homework>:/project ghcr.io/fmipython/pygrader:main
83+
```
84+
85+
`<path_to_homework> е пълния път до директорията, в която се намира вашето решение.`
86+
87+
```bash
88+
Python project grader, 1.5.0
89+
Check: structure, Result: True
90+
Check: tests, Score: 5.6/5.6
91+
```
92+
93+
```bash
94+
Python project grader, 1.5.0
95+
Check: structure, Result: True
96+
Check: tests, Score: 5.4/5.6
97+
```
98+
99+
Ако искате да видите повече информация за резултатите от проверките, може да изпълните командата за изпълнение на контейнера с аргумент `-v`
100+
101+
```bash
102+
docker run --rm -v /home/lyubolp/homeworks-2025/homework1:/project ghcr.io/fmipython/pygrader:main -v
103+
```
104+
105+
```bash
106+
2025-10-25 13:28:44,951 - INFO - Python project grader, 1.5.0
107+
2025-10-25 13:28:44,952 - VERBOSE - Downloading file from https://api.github.com/repos/fmipython/homeworks-2025/contents/homework1/pygrader_config_public.json
108+
2025-10-25 13:28:45,280 - VERBOSE - Running structure
109+
2025-10-25 13:28:45,280 - VERBOSE - Downloading file from https://api.github.com/repos/fmipython/homeworks-2025/contents/homework1/pygrader_structure.json
110+
2025-10-25 13:28:45,620 - VERBOSE - Is Solution file structure valid ? True
111+
2025-10-25 13:28:45,620 - VERBOSE - Creating new venv
112+
2025-10-25 13:28:47,827 - VERBOSE - Installing grader dependencies
113+
2025-10-25 13:28:50,658 - VERBOSE - Running tests
114+
2025-10-25 13:28:50,658 - VERBOSE - Downloading file from https://api.github.com/repos/fmipython/homeworks-2025/contents/homework1/tests_public.py
115+
2025-10-25 13:28:51,182 - VERBOSE - Test test_07_chips_method - AssertionError: Lists differ: ... failed
116+
2025-10-25 13:28:51,184 - VERBOSE - Passed tests: 38/39
117+
2025-10-25 13:28:51,184 - VERBOSE - Failed tests: 1/39
118+
Check: structure, Result: True
119+
Check: tests, Score: 5.4/5.6
120+
```
121+
122+
## pygrader source
123+
124+
Ако не искате да инсталирате Docker на вашия компютър, може да свалите кодът на pygrader-а, и да го пуснете ръчно.
125+
126+
За да свалите кода на pygrader-а, използвайте следната команда:
127+
128+
```bash
129+
git clone https://github.com/fmipython/pygrader
130+
```
131+
132+
От директорията `pygrader` изпълнете:
133+
134+
```bash
135+
pip3 install -r requirements-prod.txt
136+
```
137+
138+
```bash
139+
python3 pygrader.py --config "https://api.github.com/repos/fmipython/PythonCourse2025/contents/homeworks/homework1/config/pygrader_config_public.json" <path_to_project>
140+
```

‎homeworks/homework1/homework.md‎

Lines changed: 176 additions & 0 deletions
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,176 @@
1+
# Домашно 1
2+
3+
В лабораторията си за изкуствен интелект, младият Декстър се опитва да създаде първия си AI агент. Понеже той не беше посетил събитието на PyData София, той няма идея как да направи своя агент, и се нуждае от вашата помощ !
4+
5+
## Клас `LLM`
6+
7+
Първата стъпка към създаването на AI агент е моделът - в нашия случай, при създаването на модел ще подаваме списък с жетони (или по-правилното му наименование, tokens). Класът `LLM` ще играе ролята и на итератор.
8+
9+
```python
10+
tokens = [
11+
"<response>",
12+
"Hello",
13+
"there",
14+
"</response>",
15+
]
16+
17+
model = LLM(tokens)
18+
19+
for token in model:
20+
print(token) # Prints "<response>"", then "Hello", etc.
21+
```
22+
23+
Резултатът от модела е в следният формат:
24+
25+
- Всеки отговор започва с `<response>` и завършва с `</response>`.
26+
- В отговора може да имаме обикновени token-и.
27+
- Извикване на tool започва с `<tool_call>` и завършва с `</tool_call>`.
28+
- След започнат tool call, името на tool-а ще е обграден с `<name>` и `</name>`
29+
- След името, следват аргументите (`<arguments>`, `</arguments>`). Аргументите не са задължителни - tool може да бъде извикан и без тях.
30+
- Аргументите се отнасят само за текущото извикване - всяко ново извикване на tool започва без аргументи.
31+
- Имаме и специални `<memory>` и `</memory>` тагове, между които е едно число.
32+
- След затварящ таг (`</tool_call>`, `</memory>`) следващите token-и се обработват нормално.
33+
- Таговете `<name>`, `</name>`, `<arguments>` и `</arguments>` имат специално значение само в рамките на tool call. Извън tool call те (и token-ите между тях) са обикновени token-и.
34+
35+
Пример:
36+
37+
```
38+
<response>
39+
Hello
40+
there
41+
</response>
42+
<response>
43+
2
44+
+
45+
2
46+
is
47+
<tool_call>
48+
<name>
49+
concat
50+
</name>
51+
<arguments>
52+
2
53+
3
54+
4
55+
</arguments>
56+
</tool_call>
57+
</response>
58+
<response>
59+
<tool_call>
60+
<name>
61+
ask_user
62+
</name>
63+
</tool_call>
64+
Hello,
65+
<memory>
66+
0
67+
</memory>
68+
</response>
69+
```
70+
71+
## Клас `ToolRegistry`
72+
73+
Освен модел, агентът се нуждае и от инструменти (или по-правилното им наименувание, tools).
74+
75+
Класът има три метода:
76+
77+
- `register` - приема `tool_name` и `tool_action` (функция, която приема произволен брой низове и връща резултат).
78+
- `is_available` - проверява дали даден tool съществува.
79+
- `execute` - изпълнява tool с име `tool_name`, като подава всички останали аргументи към функцията. Връща резултатът от нея. Ако такъв tool липсва, връща None.
80+
81+
```python
82+
83+
def some_random_tool(a):
84+
return 42 + int(a)
85+
86+
tool_registry = ToolRegistry()
87+
tool_registry.register("some_random_tool", some_random_tool)
88+
89+
tool_registry.is_available("some_random_tool") # True
90+
tool_registry.is_available("other_random_tool") # False
91+
92+
tool_registry.execute("some_random_tool", "45") # 87
93+
```
94+
95+
Инструментите, които ще дадем на нашия агент са:
96+
97+
- `add` - връща сумата на всички подадени числа (като число).
98+
- `concat` - конкатенира всички подадени низове.
99+
- `ask_user` - прочита съобщение от клавиатурата.
100+
101+
## Клас `Agent`
102+
103+
Агентът ни приема модел и инструменти. Неговият единствен метод `run` е генератор, и обработва token-ите получени от модела, като:
104+
105+
- При начало на отговор започваме да броим изполваните token-и (в кредити) от 0.
106+
- В края на отговора, връщаме празен низ, и броя използвани кредити за текущия отговор.
107+
- При tool call, извикваме съответния tool с аргументите, подадени в рамките на същия tool call, и връщаме резултата. Ако такъв tool не съществува, връщаме "Invalid tool name.". Извикване на tool винаги струва 2 кредита (дори и ако не открием tool).
108+
- Ако извикаме tool `ask_user`, прочетеното съобщение записваме в паметта на модела (списък от низове). Това струва 3 кредита (общо).
109+
- При тагове `<memory>` прочитаме стойност от паметта (числото между таговете е индекс в паметта, започващ от 0) и я връщаме. Това не струва кредити.
110+
- Във всички други ситуации, връщаме директно token-а. Тази операция струва 1 кредит.
111+
112+
## Декоратор `observe`
113+
114+
Понякога е добре да знаем какво ни е върнал модела, и какво е направил нашия агент. Дефинирайте декоратор `observe`, който ще декорира нашия модел - при "генерирането" на token, `observe` първо го принтира по следния начин: "DEBUG: Next token is <token>", където `<token>` е token-а генериран от модела.
115+
116+
117+
## Очаквана структура
118+
119+
При разархивиране на домашното, трябва да бъде получена следната структура:
120+
121+
```bash
122+
agent.py
123+
```
124+
125+
## Пример
126+
127+
```python
128+
tokens = [
129+
"<response>", "Hello", "there", "</response>",
130+
]
131+
tokens += [
132+
"<response>",
133+
"2", "+", "2", "is",
134+
"<tool_call>",
135+
"<name>", "concat", "</name>",
136+
"<arguments>", "2", "3", "4", "</arguments>",
137+
"</tool_call>",
138+
"</response>",
139+
]
140+
141+
tokens += [
142+
"<response>",
143+
"<tool_call>",
144+
"<name>", "ask_user", "</name>",
145+
"</tool_call>",
146+
"Hello,", "<memory>", "0", "</memory>",
147+
"</response>",
148+
]
149+
150+
model = LLM(tokens)
151+
152+
tool_registry = ToolRegistry()
153+
tool_registry.register("add", add)
154+
tool_registry.register("concat", concat)
155+
tool_registry.register("ask_user", ask_user)
156+
157+
agent = Agent(model, tool_registry)
158+
159+
for result in agent.run():
160+
if isinstance(result, tuple):
161+
print(result[0])
162+
print(f"(Usage: {result[1]} tokens)")
163+
else:
164+
print(result, end=" ")
165+
```
166+
167+
```bash
168+
$ python3 agent.py
169+
Hello there
170+
(Usage: 2 tokens)
171+
2 + 2 is 234
172+
(Usage: 6 tokens)
173+
Lyubo
174+
Hello, Lyubo
175+
(Usage: 4 tokens)
176+
```

0 commit comments

Comments
 (0)