AI: هندسة الأوامر

PROMPT_TEMPLATE = """
[Role] You are a {role}.
[Task] Please {task}.
[Context] {context}
[Format] Output in {format}.
[Constraints] {constraints}
[Example] {example}
"""

# Zero-shot prompt: classify sentiment without examples
prompt = """
Classify the sentiment of the following review as Positive or Negative:

Review: "The battery life is amazing, lasted 12 hours on a single charge!"
Sentiment:
"""

# Expected output: Positive

# Few-shot prompt: classify sentiment with examples
prompt = """
Classify the sentiment of each review as Positive or Negative.

Review: "Love the screen quality!" -> Positive
Review: "Terrible customer service." -> Negative
Review: "Decent product, nothing special." -> Neutral
Review: "Best purchase I have made this year!" -> Positive

Review: "The price is too high for what you get." ->
"""

# Expected output: Negative

# Chain-of-Thought prompt: solve a math problem step by step
prompt = """
Solve the following problem step by step.

Problem: A store buys a laptop for $800 and sells it for $1,050.
What is the profit margin as a percentage?

Step-by-step solution:
"""

# Expected output:
# Step 1: Calculate profit = 1050 - 800 = $250
# Step 2: Calculate margin = (250 / 800) * 100% = 31.25%
# Answer: The profit margin is 31.25%

# Define a system prompt for a technical interviewer role
system_prompt = """
You are a senior software engineer conducting a technical interview.
Rules:
1. Ask one question at a time
2. Wait for the candidate answer before asking the next
3. If the answer is wrong, give a hint instead of the correct answer
4. Cover topics: data structures, algorithms, system design
5. Rate each answer on a scale of 1-5
"""

user_message = "I am ready for the interview. Please start."

# The AI will behave as a structured interviewer,
# not a generic chatbot

# Prompt that enforces JSON output with a schema
prompt = """
Extract product information from the text below.
Output ONLY valid JSON matching this schema:

{
  "name": "string",
  "price": "number",
  "currency": "string",
  "features": ["string"]
}

Text: "The UltraWidget Pro costs $49.99 and comes with waterproof casing,
solar charging, and a 5-year warranty."

JSON:
"""

# Expected output:
# {
#   "name": "UltraWidget Pro",
#   "price": 49.99,
#   "currency": "USD",
#   "features": ["waterproof casing", "solar charging", "5-year warranty"]
# }

from pydantic import BaseModel
from typing import List

class ProductInfo(BaseModel):
    name: str
    price: float
    currency: str
    features: List[str]

# Validate AI output
try:
    product = ProductInfo.model_validate_json(ai_output)
    print(f"Valid: {product.name} - {product.currency}{product.price}")
except Exception as e:
    print(f"Invalid JSON: {e}")

# سيء: توجيه غامض
bad_prompt = "Analyze the electric vehicle market."

# الخطوة 1: إضافة الدور
step1 = "You are a senior EV market analyst. Analyze the EV market."

# الخطوة 2: إضافة الهيكل
step2 = """You are a senior EV market analyst.
Analyze the 2025 global EV market with:
1. Three key trends
2. Two major risks
3. One investment recommendation"""

# الخطوة 3: إضافة قيد على الصيغة
step3 = """You are a senior EV market analyst with 15 years of experience.
Analyze the 2025 global EV market with:
1. Three key trends (present in a Markdown table)
2. Two major risks (with probability assessment)
3. One investment recommendation (with expected ROI range)

Output in Markdown format with clear headers."""

from string import Template
from pydantic import BaseModel
from typing import List, Optional

# Step 1: System Prompt - define the role
SYSTEM_PROMPT = """You are a senior product analyst with expertise in
market research, competitive analysis, and user experience evaluation.
You produce structured, data-driven product analysis reports.

Rules:
1. Always base analysis on concrete evidence and data points
2. Highlight both strengths and weaknesses objectively
3. Provide actionable recommendations with priority levels
4. Use specific numbers and metrics whenever possible
5. Format output as valid Markdown
"""

# Step 2: User Prompt template with all 6 elements
USER_PROMPT_TEMPLATE = Template("""
[Task] Analyze the following product and produce a comprehensive report.

[Product Info]
- Name: $product_name
- Category: $category
- Price: $price
- Target Users: $target_users

[Report Structure]
Please include the following sections:
1. **Product Overview** - Brief description and positioning
2. **Strengths** - Top 3 advantages with evidence
3. **Weaknesses** - Top 3 limitations with examples
4. **Market Position** - Competitive landscape analysis
5. **Recommendations** - Prioritized improvement suggestions

[Format] Output as Markdown with headers and a summary table.
[Constraints] Maximum 500 words. Be concise and specific.
[Example]
Product Overview
The ProductX is a mid-range smartphone targeting young professionals...

Summary Table
| Aspect | Rating | Key Insight |
|--------|--------|-------------|
| Design | 4/5 | Premium feel at mid-range price |
""")

# Step 3: Fill template and call API (pseudo-code)
def analyze_product(product_name: str, category: str,
                    price: str, target_users: str) -> str:
    user_prompt = USER_PROMPT_TEMPLATE.substitute(
        product_name=product_name,
        category=category,
        price=price,
        target_users=target_users
    )
    # In real usage, call your LLM API here
    # response = client.chat.completions.create(
    #     model="gpt-4",
    #     messages=[
    #         {"role": "system", "content": SYSTEM_PROMPT},
    #         {"role": "user", "content": user_prompt}
    #     ],
    #     temperature=0.3
    # )
    # return response.choices[0].message.content
    return user_prompt  # Return the prompt for demo

# Step 4: Use the template
result = analyze_product(
    product_name="EcoBike S3",
    category="Electric Bicycle",
    price="$1,299",
    target_users="Urban commuters aged 25-40"
)
print(result[:300] + "...")

# المهمة: ترجمة من الإنجليزية إلى الصينية

# موجه ضعيف
prompt_v1 = "ترجم هذا: The quick brown fox jumps over the lazy dog."

# موجه أفضل (إضافة سياق وقيود)
prompt_v2 = "ترجم الجملة الإنجليزية التالية إلى الصينية الطبيعية والسلسة. احتفظ بالنبرة والمعنى الأصلي.\n\nThe quick brown fox jumps over the lazy dog."

# أفضل موجه (إضافة دور، وتنسيق، ومثال)
prompt_v3 = """أنت مترجم محترف من الإنجليزية إلى الصينية.

القواعد:
1. ترجم إلى صينية طبيعية وعادية
2. احتفظ بالنبرة والفروق الدقيقة الأصلية
3. إذا كانت الجملة تحتوي على إشارات ثقافية، أضف ملاحظة موجزة

مثال:
EN: "Break a leg!"
CN: "Break a leg! (تعبير إنجليزي يعني التمني بالحظ السعيد قبل الأداء)"

قم الآن بترجمة:
The quick brown fox jumps over the lazy dog."""

# TODO: شغّل كل موجه عبر LLM وقارن المخرجات

# تصنيف الموقف بنمط التعلم القليل الأمثل
prompt = """صنّف موقف كل مراجعة.

مراجعة: "أحب هذا المنتج تمامًا! خمس نجوم!" -> إيجابي
مراجعة: "إهدار للمال، تعطلت بعد أسبوع واحد." -> سلبي
مراجعة: "تعمل كما هو متوقع، لا أكثر." -> محايد
مراجعة: "التصميم رائع لكن البطارية تستنزف بسرعة." -> ?

قم الآن بتصنيف هذه المراجعات الخمس:
1. "أفضل صانع قهوة امتلكته على الإطلاق!"
2. "تأخر التسليم والصندوق كان تالفًا."
3. "جودة متوسطة بالنسبة للسعر، لائقة لكن ليست مبهرة."
4. "حل دعم العملاء مشكلتي في 10 دقائق، مذهل!"
5. "التعليمات مربكة لكن المنتج يعمل بشكل جيد."
"""

# TODO: شغّل عبر نموذج LLM وتحقق من الدقة

# نظام المقابل التقني
SYSTEM_PROMPT = """أنت مهندس باك إند كبير تجري مقابلة برمجية.
القواعد:
1. اطرح سؤالًا واحدًا في كل مرة حول بايثون/هياكل البيانات/الخوارزميات
2. قيّم كل إجابة: امنحها درجة من 1 إلى 5 وقدم تعليقات موجزة
3. إذا كانت خاطئة، قدم تلميحًا لا الإجابة الكاملة
4. بعد 5 أسئلة، قدم تقييمًا شاملًا
5. يجب أن تزداد الصعوبة تدريجيًا
"""

# محادثة محاكاة متعددة الأدوار
conversation = [
    {"role": "system", "content": SYSTEM_PROMPT},
    {"role": "user", "content": "أنا جاهز للمقابلة."},
]

# TODO: نفذ حلقة تقوم بما يلي:
# 1. ترسل المحادثة إلى نموذج LLM
# 2. تطبع سؤال المقابل
# 3. تأخذ إدخال المستخدم كإجابة
# 4. تضيف كليهما إلى المحادثة
# 5. تتكرر حتى تنتهي المقابلة