# ❌ ПЛОХОЙ промпт
"Напиши функцию для обработки CSV"
# → Непонятно: какой CSV, что делать, edge cases?

# ✅ ХОРОШИЙ промпт (Role + Context + Constraints)
"Ты senior Python-разработчик. Напиши функцию process_csv(), которая:
1. Принимает путь к CSV-файлу (path: str)
2. Читает файл через csv.DictReader
3. Валидирует наличие колонок: id, name, email
4. Фильтрует строки с пустым email
5. Возвращает list[dict]
6. Обрабатывает: FileNotFoundError, пустой файл,
   повреждённый CSV, отсутствие колонок
7. Типизация: используй typing (List, Dict, Optional)
8. Напиши docstring в Google-style
9. Добавь 3 pytest-теста с parametrize"

# Результат хорошего промпта:
# - Код с полной обработкой ошибок
# - Типизация (mypy пройдёт)
# - Документация
# - Тесты сразу в ответе

# Few-Shot Prompt — задаём стиль через пример
"Я покажу пример нашей кодовой базы, затем дам задачу.
Пиши в ТОЧНО таком же стиле.

Пример нашего кода:
```python
from dataclasses import dataclass
from typing import Optional
import logging

logger = logging.getLogger(__name__)

@dataclass
class UserDTO:
    id: str
    name: str
    email: Optional[str] = None

def fetch_user(user_id: str) -> UserDTO:
    ...
```

Теперь напиши fetch_orders(user_id: str) -> list[OrderDTO]
в том же стиле: dataclass, typing, logging."

# Модель скопирует:
# - dataclass вместо словарей
# - Optional из typing
# - logger вместо print
# - docstring в стиле команды

# 🥇 Claude 4 Opus (Anthropic) — король кода
# Сильные стороны: рефакторинг, архитектура, большие PR
# Контекст: 200K токенов
# Цена: $15/1M вход, $75/1M выход (дорого!)
# Лучше всего: сложный код, миграции, code review

# 🥈 GPT-4.1 (OpenAI) — универсальный солдат
# Сильные стороны: следование инструкциям, контекст 1M
# Контекст: 1M токенов (целые кодовые базы!)
# Цена: $2/1M вход, $8/1M выход
# Лучше всего: работа с большими кодбазами

# 🥉 o3-mini (OpenAI) — логика и алгоритмы
# Сильные стороны: reasoning, алгоритмы, математика
# Контекст: 200K токенов
# Цена: $1.10/1M вход, $4.40/1M выход
# Лучше всего: алгоритмические задачи, оптимизация

# 4. Gemini 2.5 Pro (Google) — огромный контекст
# Контекст: 1M токенов, конкурент GPT-4.1
# Цена: $1.25/1M вход (дешевле аналогов)

# 5. DeepSeek V4 — лучший бесплатный
# Качество кода сопоставимо с GPT-4o
# Бесплатно через чат, API: $0.27/1M вход

# 💡 Стратегия: используйте o3-mini/GPT-4o-mini для
# черновиков, переключайтесь на Claude 4 Opus
# для финального кода и рефакторинга

# Промпт: «Код + Тесты + Объяснение»
"Напиши функцию validate_password(password: str) -> tuple[bool, str],
которая проверяет пароль на:
- Длина ≥ 8 символов
- Минимум 1 заглавная буква
- Минимум 1 цифра
- Минимум 1 спецсимвол (!@#$%^&*)
Возвращает (True, 'OK') или (False, 'причина ошибки').
Напиши pytest-тесты на 10+ случаев, включая edge cases.
Объясни, почему тесты покрывают все ветвления."

# Модель вернёт ~100 строк:
# - Функция validate_password (~25 строк)
# - Параметризованные тесты (~40 строк)
# - Объяснение покрытия (~20 строк)
# Запускаете тесты → сразу видите, всё ли ок

# Автоматизация: скрипт gen_and_test.sh
codex "$PROMPT" > output.py
python -m pytest output.py -v
# Если тесты красные → отправляем ошибки обратно модели

# Скрипт AI Code Review (review_pr.py)
from openai import OpenAI
import subprocess, sys

client = OpenAI()

def get_git_diff(base_branch="main"):
    result = subprocess.run(
        ["git", "diff", base_branch],
        capture_output=True, text=True
    )
    return result.stdout[:15000]  # Ограничиваем контекст

def review_code(diff: str) -> str:
    response = client.chat.completions.create(
        model="gpt-4.1",
        messages=[{
            "role": "system",
            "content": """Ты senior code reviewer. Анализируй git diff.
Найди: баги, уязвимости (OWASP), нарушения SOLID,
проблемы производительности, пропущенные тесты.
Формат ответа:
## 🔴 Критическое
## 🟡 Важное
## 🔵 Рекомендации
## ✅ Похвалить"""
        }, {
            "role": "user",
            "content": f"Проревьюй этот diff:\n\n{diff}"
        }],
        temperature=0.2
    )
    return response.choices[0].message.content

if __name__ == "__main__":
    diff = get_git_diff()
    if not diff:
        print("Нет изменений для ревью")
        sys.exit(0)
    review = review_code(diff)
    print(review)

# Интеграция в CI (GitHub Actions):
# 1. Запускаете скрипт на каждый PR
# 2. Результат → комментарий в PR
# 3. Блокируете merge при критических проблемах

# Промпт для рефакторинга
"Отрефактори этот код, соблюдая правила:
1. Замени %-форматирование на f-строки
2. Добавь type hints (mypy strict)
3. Разбей функцию >50 строк на меньшие
4. Замени голые except на конкретные исключения
5. Используй pathlib вместо os.path
6. Добавь docstring
7. Используй context manager для файлов
8. Сохрани ТОЧНО такое же поведение

Вот код: [вставьте ваш код]"

# Стратегия безопасного рефакторинга:
# 1. Покройте код тестами (AI поможет написать)
# 2. Запросите рефакторинг у модели
# 3. Запустите старые тесты на новом коде
# 4. Если зелёные — рефакторинг успешен
# 5. Если красные — отправьте diff модели на исправление

# Промпт для отладки
"Найди баг в этом коде. Вот трейсбек:

Traceback (most recent call last):
  File 'app.py', line 42, in process_orders
    total = sum(order['amount'] for order in orders)
KeyError: 'amount'

Вот код функции process_orders и данные orders:
[вставьте код + пример данных]

Объясни:
1. Почему возникает ошибка
2. В каком конкретно месте данных проблема
3. Как исправить (2-3 варианта с плюсами/минусами)
4. Как предотвратить в будущем"

# o3-mini особенно хорош в дебаггинге —
# он «рассуждает» о причинах ошибки
# и находит edge cases, которые вы упустили