app.py

import os
import re
import time
import json
from dataclasses import dataclass
from typing import Any, Dict, List, Optional
from collections import Counter

import requests
import gradio as gr

# =======================
# .env + проверка OLLAMA_API_KEY
# =======================

try:
    from dotenv import load_dotenv
    load_dotenv()
except Exception:
    pass

OLLAMA_API_KEY_ENV = "OLLAMA_API_KEY"
OLLAMA_API_KEY = os.environ.get(OLLAMA_API_KEY_ENV)

if not OLLAMA_API_KEY:
    raise RuntimeError(
        f"Переменная окружения {OLLAMA_API_KEY_ENV} не задана.\n"
        f"В Hugging Face Spaces её нужно добавить в Settings → Variables/Secrets."
    )

# =======================
# smolagents + Ollama Cloud модель
# =======================

from ollama import Client
from smolagents import Model, ChatMessage, tool, ToolCallingAgent


class OllamaCloudModel(Model):
    """
    Адаптер Ollama Cloud к интерфейсу smolagents.Model.
    generate(...) -> ChatMessage (НЕ поток).
    """

    def __init__(
        self,
        model_id: str = "gpt-oss:120b",
        host: str = "https://ollama.com",
        api_key_env: str = "OLLAMA_API_KEY",
        **kwargs,
    ):
        super().__init__(model_id=model_id, **kwargs)

        api_key = os.environ.get(api_key_env)
        if not api_key:
            raise ValueError(f"Не найден {api_key_env} в окружении")

        self.client = Client(
            host=host,
            headers={"Authorization": f"Bearer {api_key}"},
        )

    def _to_text(self, content) -> str:
        if content is None:
            return ""
        if isinstance(content, str):
            return content
        if isinstance(content, list):
            parts = []
            for p in content:
                if isinstance(p, dict):
                    parts.append(p.get("text", ""))
                else:
                    parts.append(str(p))
            return "".join(parts)
        return str(content)

    def generate(self, messages, stop_sequences=None, **kwargs) -> ChatMessage:
        """
        messages: список dict или ChatMessage; возвращаем ChatMessage.
        ToolCallingAgent ожидает именно такой интерфейс.
        """
        if isinstance(messages, str):
            msgs = [{"role": "user", "content": messages}]
        else:
            msgs: List[Dict[str, str]] = []
            for m in messages:
                if isinstance(m, dict):
                    role = m.get("role", "user")
                    content = self._to_text(m.get("content", ""))
                else:
                    role = getattr(m, "role", "user")
                    content = self._to_text(getattr(m, "content", ""))
                msgs.append({"role": role, "content": content})

        resp = self.client.chat(
            model=self.model_id,
            messages=msgs,
            stream=False,
        )

        text = self._to_text((resp.get("message") or {}).get("content", ""))

        if stop_sequences:
            for s in stop_sequences:
                if not s:
                    continue
                idx = text.find(s)
                if idx != -1:
                    text = text[:idx]
                    break

        return ChatMessage(role="assistant", content=text)


# =======================
# Клиент HH.ru
# =======================

@dataclass
class HHClient:
    base_url: str = "https://api.hh.ru"
    user_agent: str = "hh-skill-agent/0.1 (educational)"

    def _headers(self) -> Dict[str, str]:
        return {
            "User-Agent": self.user_agent,
            "Accept": "application/json",
        }

    def search_vacancies(
        self,
        text: Optional[str] = None,
        area: int = 113,
        page: int = 0,
        per_page: int = 50,
        order_by: str = "publication_time",
        extra_params: Optional[Dict[str, Any]] = None,
    ) -> Dict[str, Any]:
        params: Dict[str, Any] = {
            "area": area,
            "page": page,
            "per_page": per_page,
            "order_by": order_by,
        }
        if text:
            params["text"] = text
        if extra_params:
            params.update(extra_params)

        resp = requests.get(
            f"{self.base_url}/vacancies",
            params=params,
            headers=self._headers(),
            timeout=20,
        )
        resp.raise_for_status()
        return resp.json()

    def get_vacancy(self, vacancy_id: str) -> Dict[str, Any]:
        resp = requests.get(
            f"{self.base_url}/vacancies/{vacancy_id}",
            headers=self._headers(),
            timeout=20,
        )
        resp.raise_for_status()
        return resp.json()

    def suggest_areas(self, text: str, per_page: int = 5) -> List[Dict[str, Any]]:
        resp = requests.get(
            f"{self.base_url}/suggests/areas",
            params={"text": text, "per_page": per_page},
            headers=self._headers(),
            timeout=10,
        )
        resp.raise_for_status()
        data = resp.json()
        return data.get("items") or []


hh = HHClient()

# =======================
# Утилиты извлечения навыков
# =======================

def _normalize_skill(s: str) -> str:
    s = s.strip()
    s = re.sub(r"\s+", " ", s)
    return s.lower()


def _skills_from_key_skills(v: Dict[str, Any]) -> List[str]:
    ks = v.get("key_skills") or []
    out: List[str] = []
    for item in ks:
        name = (item or {}).get("name")
        if name:
            out.append(name)
    return out


def _skills_from_text(text: str) -> List[str]:
    if not text:
        return []
    text = re.sub(r"<[^>]+>", "\n", text)
    candidates = re.split(r"[•\n;,/]| - ", text)
    res: List[str] = []
    for c in candidates:
        c = c.strip()
        if 2 <= len(c) <= 40 and re.search(r"[A-Za-zА-Яа-я]", c):
            res.append(c)
    return res


def _extract_skills(v: Dict[str, Any]) -> List[str]:
    skills: List[str] = []
    skills.extend(_skills_from_key_skills(v))
    snippet = v.get("snippet") or {}
    skills.extend(_skills_from_text(snippet.get("requirement") or ""))
    skills.extend(_skills_from_text(snippet.get("responsibility") or ""))
    if not skills:
        skills.extend(_skills_from_text(v.get("description") or ""))
    return skills


def _safe_get_full(vacancy_id: str, retries: int = 2) -> Optional[Dict[str, Any]]:
    for attempt in range(retries + 1):
        try:
            return hh.get_vacancy(vacancy_id)
        except requests.HTTPError as e:
            status = getattr(e.response, "status_code", None)
            if status in (429, 503) and attempt < retries:
                time.sleep(0.5 * (attempt + 1))
                continue
            raise
        except requests.RequestException:
            if attempt < retries:
                time.sleep(0.5 * (attempt + 1))
                continue
            raise
    return None


# =======================
# Инструменты smolagents
# =======================

@tool
def fetch_hh_vacancies_full(
    text: str,
    area: int = 113,
    pages: int = 2,
    per_page: Optional[int] = 50,
    max_items: int = 30,
) -> str:
    """
    Ищет вакансии на hh.ru по текстовому запросу и подтягивает полные данные
    по первым N найденным вакансиям.

    Args:
        text: Название роли/вакансии или поисковый запрос.
        area: ID региона поиска (113 = Россия).
        pages: Сколько страниц поиска просмотреть (1..5).
        per_page: Сколько вакансий запрашивать на страницу (1..100).
        max_items: Сколько полных вакансий скачать в деталях (1..100).

    Returns:
        JSON-строка со списком полных вакансий.
    """
    items: List[Dict[str, Any]] = []

    if per_page is None or per_page <= 0:
        per_page = 50

    pages = max(1, min(int(pages), 5))
    per_page = max(1, min(int(per_page), 100))
    max_items = max(1, min(int(max_items), 100))

    for page in range(pages):
        data = hh.search_vacancies(
            text=text or None,
            area=area,
            page=page,
            per_page=per_page,
        )
        items.extend(data.get("items") or [])
        if page + 1 >= (data.get("pages") or 0):
            break
        time.sleep(0.2)

    ids: List[str] = []
    for it in items:
        vid = it.get("id")
        if vid:
            ids.append(str(vid))
        if len(ids) >= max_items:
            break

    full: List[Dict[str, Any]] = []
    for vid in ids:
        v = _safe_get_full(vid)
        if v:
            full.append(
                {
                    "id": v.get("id"),
                    "name": v.get("name"),
                    "description": v.get("description"),
                    "key_skills": v.get("key_skills"),
                    "snippet": v.get("snippet"),
                    "experience": v.get("experience"),
                    "employment": v.get("employment"),
                    "schedule": v.get("schedule"),
                    "area": v.get("area"),
                    "employer": v.get("employer"),
                }
            )
        time.sleep(0.1)

    return json.dumps(full, ensure_ascii=False)


@tool
def aggregate_hh_skills(vacancies_json: str, top_n: int = 20) -> str:
    """
    Агрегирует навыки из списка вакансий и возвращает топ самых частотных.

    Args:
        vacancies_json: JSON-строка со списком вакансий.
        top_n: Количество навыков в топе.

    Returns:
        JSON-строка:
        {
            "total_vacancies": int,
            "top_skills": [{"skill": str, "count": int}, ...]
        }
    """
    try:
        vacancies = json.loads(vacancies_json)
    except Exception:
        vacancies = []

    counter: Counter[str] = Counter()

    for v in vacancies or []:
        if not isinstance(v, dict):
            continue
        for s in _extract_skills(v):
            ns = _normalize_skill(s)
            if ns:
                counter[ns] += 1

    top = [
        {"skill": skill, "count": count}
        for skill, count in counter.most_common(int(top_n))
    ]
    payload = {"total_vacancies": len(vacancies or []), "top_skills": top}
    return json.dumps(payload, ensure_ascii=False)


# =======================
# Агент smolagents
# =======================

def build_agent(model_id: str = "gpt-oss:120b") -> ToolCallingAgent:
    model = OllamaCloudModel(model_id=model_id)
    agent = ToolCallingAgent(
        tools=[fetch_hh_vacancies_full, aggregate_hh_skills],
        model=model,
        max_steps=6,
        add_base_tools=False,
    )
    return agent


def _needs_postprocess(agent_output: str) -> bool:
    text = agent_output.strip()
    if not text:
        return True
    if '"name":"fetch_hh_vacancies_full"' in text or '"name":"aggregate_hh_skills"' in text:
        return True
    if text.startswith("{") and "vacancies" in text and "top_n" in text:
        return True
    if len(text) < 800:
        return True
    return False


def run_job_insights(
    job_title: str,
    area: int = 113,
    pages: int = 2,
    max_items: int = 30,
    top_n: int = 20,
    model_id: str = "gpt-oss:120b",
    extra_notes: str = "",
) -> (str, str):
    """
    1) Запускает smolagents-агента (ToolCallingAgent) с инструментами hh.ru.
    2) Берёт его сырой вывод (где есть вызовы инструментов и JSON).
    3) Вторым вызовом LLM делает из этого вывода аккуратный Markdown-документ.
    """
    agent = build_agent(model_id=model_id)

    safe_job_title = job_title.replace('"', '\\"')
    notes_part = (
        f"\nДополнительные пожелания к документу: {extra_notes}\n"
        if extra_notes.strip()
        else ""
    )

    task = f"""
Ты — агент smolagents, у тебя есть два инструмента:

1) fetch_hh_vacancies_full(text, area, pages, per_page, max_items)
2) aggregate_hh_skills(vacancies_json, top_n)

Твоя цель: на основе реальных данных hh.ru по роли "{safe_job_title}"
подготовить подробное руководство по подготовке к собеседованию.

Важно:
- ОБЯЗАТЕЛЬНО используй эти инструменты, не придумывай вакансии и навыки с нуля.
- НИКОГДА не выводи в финальном ответе JSON с логами, результатами инструментов
  или названиями инструментов. Это только внутренняя работа.
- В финальном ответе должен быть только аккуратный текст в формате Markdown.

Параметры данных:
- area (регион hh.ru) = {area}
- pages (страниц для выборки) = {pages}
- max_items (максимум вакансий для анализа) = {max_items}
- top_n (размер топа навыков) = {top_n}
{notes_part}

Структура финального ответа:

## 0. Краткий лог данных
## 1. Общее описание роли
## 2. Основные обязанности и зона ответственности
## 3. Ключевые технические навыки и технологии (таблица)
## 4. Сопутствующие компетенции (soft skills, доменная экспертиза)
## 5. Примерные вопросы для собеседования
## 6. План подготовки к собеседованию
## 7. Типичные ошибки кандидатов и рекомендации

Пиши по-русски. Используй только Markdown.
"""

    # 1) Сырой вывод агента (с вызовами инструментов и JSON)
    agent_raw_output = agent.run(task)

    # 2) Всегда прогоняем через пост-обработку в отдельный LLM-вызов
    model = OllamaCloudModel(model_id=model_id)

    post_prompt = f"""
Ниже приведён сырой текст, который вернул агент smolagents при работе с
инструментами hh.ru. В нём есть JSON, логи вызовов инструментов и прочий служебный текст.

Твоя задача — ИСПОЛЬЗОВАТЬ ЭТОТ ТЕКСТ КАК ИСТОЧНИК ДАННЫХ,
но НЕ ПЕРЕПЕЧАТЫВАТЬ лог. Вместо этого:

- Сформируй один аккуратный документ в формате Markdown по структуре:

## 0. Краткий лог данных
## 1. Общее описание роли
## 2. Основные обязанности и зона ответственности
## 3. Ключевые технические навыки и технологии (таблица | Навык | Зачем нужен | Блок |)
## 4. Сопутствующие компетенции (soft skills, доменная экспертиза)
## 5. Примерные вопросы для собеседования
## 6. План подготовки к собеседованию
## 7. Типичные ошибки кандидатов и рекомендации

Условия:
- Не включай в ответ JSON, сырой лог и названия инструментов.
- Пиши по-русски, ориентируясь на роль: "{job_title}".

Вот сырой вывод агента:

```text
{agent_raw_output}
"""
    
    msg = model.generate([{"role": "user", "content": post_prompt}])
    final_doc_md = msg.content
    
    return final_doc_md, agent_raw_output


# =======================
# Топ IT-специальностей
# =======================

TOP_IT_SPECIALTIES: List[Dict[str, Any]] = []
SPECIALTY_LABEL_TO_OBJ: Dict[str, Dict[str, Any]] = {}


def fetch_top_it_specialties(area: int = 113, max_roles: int = 20) -> List[Dict[str, Any]]:
    IT_SEARCH_QUERIES = [
        "Python разработчик",
        "Java разработчик",
        "Golang разработчик",
        "C++ разработчик",
        "C# разработчик",
        "JavaScript разработчик",
        "Frontend разработчик",
        "Backend разработчик",
        "Fullstack разработчик",
        "DevOps инженер",
        "SRE инженер",
        "Data Scientist",
        "Data Engineer",
        "ML Engineer",
        "QA инженер",
        "Автотестировщик",
        "Системный аналитик",
        "Бизнес-аналитик",
        "Product Manager",
        "Project Manager",
    ]

    scored: List[Dict[str, Any]] = []

    for q in IT_SEARCH_QUERIES:
        try:
            res = hh.search_vacancies(
                text=q,
                area=area,
                page=0,
                per_page=1,
            )
            found = int(res.get("found", 0))
            if found > 0:
                scored.append({"id": q, "name": q, "found": found})
        except Exception:
            continue
        time.sleep(0.15)

    scored.sort(key=lambda x: x["found"], reverse=True)
    return scored[:max_roles]


def init_specialties() -> List[str]:
    global TOP_IT_SPECIALTIES, SPECIALTY_LABEL_TO_OBJ

    if not TOP_IT_SPECIALTIES:
        try:
            TOP_IT_SPECIALTIES = fetch_top_it_specialties(area=113, max_roles=20)
        except Exception as e:
            print("Ошибка при получении топ IT-специальностей hh.ru:", e)
            TOP_IT_SPECIALTIES = []

    SPECIALTY_LABEL_TO_OBJ = {}
    labels: List[str] = []

    for spec in TOP_IT_SPECIALTIES:
        label = f"{spec['name']} — {spec['found']} вакансий"
        SPECIALTY_LABEL_TO_OBJ[label] = spec
        labels.append(label)

    return labels


def refresh_specialties() -> List[str]:
    global TOP_IT_SPECIALTIES, SPECIALTY_LABEL_TO_OBJ
    TOP_IT_SPECIALTIES = []
    return init_specialties()


SPECIALTY_CHOICES = init_specialties()

# =======================
# Топ регионов по выбранной роли
# =======================

CURRENT_REGIONS: List[Dict[str, Any]] = []
REGION_LABEL_TO_OBJ: Dict[str, Dict[str, Any]] = {}
CURRENT_REGION_ROLE: str = ""


def _flatten_area_cluster_items(items: List[Dict[str, Any]]) -> List[Dict[str, Any]]:
    result: List[Dict[str, Any]] = []
    for it in items or []:
        name = it.get("name")
        count = it.get("count") or 0
        url = it.get("url") or ""
        area_id = None
        m = re.search(r"area=(\d+)", url)
        if m:
            area_id = int(m.group(1))
        if name and area_id and count:
            result.append({"id": area_id, "name": name, "count": int(count)})
        if it.get("items"):
            result.extend(_flatten_area_cluster_items(it.get("items")))
    return result


def fetch_top_regions_for_role(job_title: str, max_regions: int = 20) -> List[Dict[str, Any]]:
    try:
        data = hh.search_vacancies(
            text=job_title,
            area=113,
            page=0,
            per_page=1,
            extra_params={"clusters": "true"},
        )
    except Exception as e:
        print("Ошибка при запросе кластеров регионов:", e)
        return []

    clusters = data.get("clusters") or []
    area_cluster = None
    for c in clusters:
        if c.get("id") == "area":
            area_cluster = c
            break
    if not area_cluster:
        return []

    flat_items = _flatten_area_cluster_items(area_cluster.get("items") or [])
    flat_items.sort(key=lambda x: x["count"], reverse=True)
    return flat_items[:max_regions]


def build_regions_for_role(job_title: str) -> List[str]:
    global CURRENT_REGIONS, REGION_LABEL_TO_OBJ, CURRENT_REGION_ROLE
    CURRENT_REGION_ROLE = job_title
    try:
        CURRENT_REGIONS = fetch_top_regions_for_role(job_title, max_regions=20)
    except Exception as e:
        print("Ошибка при получении топ регионов:", e)
        CURRENT_REGIONS = []

    REGION_LABEL_TO_OBJ = {}
    labels: List[str] = []
    for reg in CURRENT_REGIONS:
        label = f"{reg['name']} — {reg['count']} вакансий"
        REGION_LABEL_TO_OBJ[label] = reg
        labels.append(label)
    return labels


def refresh_regions_for_role(job_title: str) -> List[str]:
    return build_regions_for_role(job_title)


DEFAULT_ROLE_NAME = None
if SPECIALTY_CHOICES:
    first_label = SPECIALTY_CHOICES[0]
    first_spec = SPECIALTY_LABEL_TO_OBJ.get(first_label)
    if first_spec:
        DEFAULT_ROLE_NAME = first_spec["name"]
REGION_CHOICES = build_regions_for_role(DEFAULT_ROLE_NAME or "Python разработчик")


# =======================
# Вспомогательные функции для Gradio
# =======================

def _slugify(text: str) -> str:
    text = text.strip().lower()
    text = re.sub(r"[^a-zA-Z0-9а-яА-Я]+", "_", text)
    text = re.sub(r"_+", "_", text)
    return text.strip("_") or "role"


def _resolve_area_id(
    job_title: str,
    selected_region_label: Optional[str],
    manual_region_name: str,
) -> int:
    manual_region_name = (manual_region_name or "").strip()
    if manual_region_name:
        try:
            items = hh.suggest_areas(manual_region_name, per_page=5)
            if items:
                first = items[0]
                area_id = int(first["id"])
                print(f"Ручной регион '{manual_region_name}' -> area_id={area_id}")
                return area_id
        except Exception as e:
            print("Ошибка поиска региона по названию:", e)

    if selected_region_label and selected_region_label in REGION_LABEL_TO_OBJ:
        return int(REGION_LABEL_TO_OBJ[selected_region_label]["id"])

    return 113


def gradio_run_agent(
    selected_specialty_label: str,
    custom_role: str,
    selected_region_label: str,
    manual_region_name: str,
    pages: float,
    max_items: float,
    top_n: float,
    model_id: str,
    extra_notes: str,
):
    pages_int = int(pages)
    max_items_int = int(max_items)
    top_n_int = int(top_n)

    custom_role = (custom_role or "").strip()
    job_title: Optional[str] = None

    if custom_role:
        job_title = custom_role
    else:
        spec_obj = SPECIALTY_LABEL_TO_OBJ.get(selected_specialty_label)
        if spec_obj:
            job_title = spec_obj["name"]
        else:
            yield "Ошибка: не выбрана специальность и не указано собственное название роли.", None, ""
            return

    area_id = _resolve_area_id(job_title, selected_region_label, manual_region_name)

    status_md = (
        "### ⚙️ Агент думает...\n\n"
        f"**Роль:** {job_title}\n\n"
        f"**Регион (area_id):** {area_id}\n\n"
        "Ожидайте, агент сейчас вызывает инструменты hh.ru и агрегирует навыки."
    )
    yield status_md, None, ""

    try:
        final_md, agent_log = run_job_insights(
            job_title=job_title,
            area=area_id,
            pages=pages_int,
            max_items=max_items_int,
            top_n=top_n_int,
            model_id=model_id.strip() or "gpt-oss:120b",
            extra_notes=extra_notes,
        )
    except Exception as e:
        yield f"Во время выполнения возникла ошибка:\n\n{e}", None, f"Ошибка: {e}"
        return

    slug = _slugify(job_title)
    filename = f"hh_agent_{slug}.md"
    with open(filename, "w", encoding="utf-8") as f:
        f.write(final_md)

    yield final_md, filename, agent_log


def gradio_refresh_dropdown_specialties():
    labels = refresh_specialties()
    value = labels[0] if labels else None
    return gr.update(choices=labels, value=value)


def _role_from_inputs(selected_specialty_label: str, custom_role: str) -> str:
    custom_role = (custom_role or "").strip()
    if custom_role:
        return custom_role
    spec = SPECIALTY_LABEL_TO_OBJ.get(selected_specialty_label)
    return spec["name"] if spec else "Python разработчик"


def gradio_refresh_regions(selected_specialty_label: str, custom_role: str):
    job_title = _role_from_inputs(selected_specialty_label, custom_role)
    labels = refresh_regions_for_role(job_title)
    value = labels[0] if labels else None
    return gr.update(choices=labels, value=value)


# =======================
# Gradio UI (без кастомных стилей)
# =======================

with gr.Blocks() as demo:
    gr.Markdown(
        """
# HH Skill & Interview Prep Agent  
**smolagents + Ollama Cloud + hh.ru**

Агент:
1. Берёт реальные вакансии с hh.ru.
2. Инструментами `fetch_hh_vacancies_full` и `aggregate_hh_skills` собирает топ-навыки.
3. Формирует подробный Markdown-документ для подготовки к собеседованию.
"""
    )

    with gr.Tab("Анализ роли и подготовка к собеседованию"):
        # Первая "карточка" — выбор роли
        with gr.Row():
            with gr.Column():
                with gr.Group():
                    gr.Markdown("### 🎯 Роль / специальность")
                    specialty_dropdown = gr.Dropdown(
                        label="IT-специальность (топ-20 по количеству вакансий на hh.ru)",
                        choices=SPECIALTY_CHOICES,
                        value=SPECIALTY_CHOICES[0] if SPECIALTY_CHOICES else None,
                        interactive=True,
                    )
                    refresh_specs_button = gr.Button("Обновить список специализаций")
                    custom_role = gr.Textbox(
                        label="Свой вариант роли (опционально)",
                        placeholder=(
                            "Например: Senior Python разработчик. "
                            "Если заполнено, значение из списка выше игнорируется."
                        ),
                    )

            # Вторая "карточка" — регион
            with gr.Column():
                with gr.Group():
                    gr.Markdown("### 🌍 Регион поиска")
                    region_dropdown = gr.Dropdown(
                        label="Регион (топ-20 по числу вакансий для выбранной роли)",
                        choices=REGION_CHOICES,
                        value=REGION_CHOICES[0] if REGION_CHOICES else None,
                        interactive=True,
                    )
                    manual_region_input = gr.Textbox(
                        label="Ручной ввод региона (по названию, опционально)",
                        placeholder="Например: Москва, Санкт-Петербург, Казань",
                        info=(
                            "Если указано, выполняется поиск через /suggests/areas и "
                            "используется найденный регион независимо от списка выше."
                        ),
                    )

        # Третья "карточка" — параметры анализа и модель
        with gr.Row():
            with gr.Column():
                with gr.Group():
                    gr.Markdown("### ⚙️ Параметры анализа")
                    pages_slider = gr.Slider(
                        label="Количество страниц вакансий для анализа",
                        minimum=1,
                        maximum=5,
                        step=1,
                        value=2,
                    )
                    max_items_slider = gr.Slider(
                        label="Максимум вакансий для детального анализа",
                        minimum=5,
                        maximum=50,
                        step=5,
                        value=30,
                    )
                    top_n_slider = gr.Slider(
                        label="Количество ключевых навыков в топе (top_n)",
                        minimum=5,
                        maximum=40,
                        step=1,
                        value=20,
                    )

            with gr.Column():
                with gr.Group():
                    gr.Markdown("### 🧠 Модель и пожелания")
                    model_id_input = gr.Textbox(
                        label="Ollama Cloud модель",
                        value="gpt-oss:120b",
                        placeholder="Например: gpt-oss:120b",
                    )
                    extra_notes_input = gr.Textbox(
                        label="Дополнительные пожелания к документу (опционально)",
                        placeholder=(
                            "Например: сделать акцент на микросервисной архитектуре, "
                            "Kubernetes, BI-инструментах и т.п."
                        ),
                        lines=4,
                    )

        # Четвёртая "карточка" — запуск и результаты
        with gr.Column():
            with gr.Group():
                run_button = gr.Button(
                    "Сгенерировать документ по специальности / роли",
                )
                output_md = gr.Markdown(label="📘 Результат (Markdown)")
                output_file = gr.File(label="⬇️ Скачать .md документ")
                agent_log_md = gr.Markdown(label="🧩 Сырой вывод агента (лог)")

        # Логика кнопок
        run_button.click(
            fn=gradio_run_agent,
            inputs=[
                specialty_dropdown,
                custom_role,
                region_dropdown,
                manual_region_input,
                pages_slider,
                max_items_slider,
                top_n_slider,
                model_id_input,
                extra_notes_input,
            ],
            outputs=[output_md, output_file, agent_log_md],
        )

        refresh_specs_button.click(
            fn=gradio_refresh_dropdown_specialties,
            inputs=None,
            outputs=specialty_dropdown,
        )

        # Динамическое обновление регионов при смене роли
        specialty_dropdown.change(
            fn=gradio_refresh_regions,
            inputs=[specialty_dropdown, custom_role],
            outputs=region_dropdown,
        )
        custom_role.change(
            fn=gradio_refresh_regions,
            inputs=[specialty_dropdown, custom_role],
            outputs=region_dropdown,
        )

if __name__ == "__main__":
    demo.launch()