bfdaf63ba9
A previous `git pull --rebase origin main` dropped 177 local commits,
losing 3400+ files across admin-v2, backend, studio-v2, website,
klausur-service, and many other services. The partial restore attempt
(660295e2) only recovered some files.
This commit restores all missing files from pre-rebase ref 98933f5e
while preserving post-rebase additions (night-scheduler, night-mode UI,
NightModeWidget dashboard integration).
Restored features include:
- AI Module Sidebar (FAB), OCR Labeling, OCR Compare
- GPU Dashboard, RAG Pipeline, Magic Help
- Klausur-Korrektur (8 files), Abitur-Archiv (5+ files)
- Companion, Zeugnisse-Crawler, Screen Flow
- Full backend, studio-v2, website, klausur-service
- All compliance SDKs, agent-core, voice-service
- CI/CD configs, documentation, scripts
Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
317 lines
9.6 KiB
Python
317 lines
9.6 KiB
Python
"""
|
|
AI Processing - Multiple Choice Generator.
|
|
|
|
Generiert Multiple-Choice-Fragen aus Arbeitsblatt-Analysen.
|
|
"""
|
|
|
|
from pathlib import Path
|
|
import json
|
|
import random
|
|
import os
|
|
import requests
|
|
import logging
|
|
|
|
from .core import (
|
|
get_openai_api_key,
|
|
get_vision_api,
|
|
BEREINIGT_DIR,
|
|
)
|
|
|
|
logger = logging.getLogger(__name__)
|
|
|
|
|
|
def _generate_mc_with_openai(analysis_data: dict, num_questions: int = 5) -> dict:
|
|
"""
|
|
Generiert Multiple-Choice-Fragen basierend auf der Arbeitsblatt-Analyse.
|
|
|
|
Verwendet OpenAI GPT-4o-mini für die Generierung.
|
|
Schwierigkeitsgrad entspricht dem Original (grade_level aus Analyse).
|
|
"""
|
|
api_key = get_openai_api_key()
|
|
|
|
# Extrahiere relevante Inhalte aus der Analyse
|
|
title = analysis_data.get("title") or "Arbeitsblatt"
|
|
subject = analysis_data.get("subject") or "Allgemein"
|
|
grade_level = analysis_data.get("grade_level") or "unbekannt"
|
|
canonical_text = analysis_data.get("canonical_text") or ""
|
|
printed_blocks = analysis_data.get("printed_blocks") or []
|
|
|
|
# Baue den Textinhalt zusammen
|
|
content_parts = []
|
|
if canonical_text:
|
|
content_parts.append(canonical_text)
|
|
for block in printed_blocks:
|
|
text = block.get("text", "").strip()
|
|
if text and text not in content_parts:
|
|
content_parts.append(text)
|
|
|
|
worksheet_content = "\n\n".join(content_parts)
|
|
|
|
if not worksheet_content.strip():
|
|
logger.warning("Kein Textinhalt für MC-Generierung gefunden")
|
|
return {"questions": [], "metadata": {"error": "Kein Textinhalt gefunden"}}
|
|
|
|
url = "https://api.openai.com/v1/chat/completions"
|
|
headers = {"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"}
|
|
|
|
system_prompt = f"""Du bist ein erfahrener Pädagoge, der Multiple-Choice-Fragen für Schüler erstellt.
|
|
|
|
WICHTIGE REGELN:
|
|
1. SCHWIERIGKEITSGRAD: Die Fragen müssen exakt dem Niveau "{grade_level}" entsprechen.
|
|
- Nicht zu leicht, nicht zu schwer
|
|
- Passend für das angegebene Klassenniveau
|
|
|
|
2. INHALTSTREUE: Alle Fragen müssen sich direkt auf den gegebenen Text beziehen.
|
|
- Keine Fragen zu Themen, die nicht im Text vorkommen
|
|
- Die richtige Antwort muss aus dem Text ableitbar sein
|
|
|
|
3. QUALITÄT DER DISTRAKTOREN (falsche Antworten):
|
|
- Müssen plausibel klingen
|
|
- Dürfen nicht offensichtlich falsch sein
|
|
- Sollten typische Schüler-Missverständnisse widerspiegeln
|
|
|
|
4. AUSGABEFORMAT: Gib deine Antwort AUSSCHLIESSLICH als gültiges JSON zurück."""
|
|
|
|
user_prompt = f"""Erstelle {num_questions} Multiple-Choice-Fragen basierend auf diesem Arbeitsblatt:
|
|
|
|
TITEL: {title}
|
|
FACH: {subject}
|
|
KLASSENSTUFE: {grade_level}
|
|
|
|
INHALT DES ARBEITSBLATTS:
|
|
{worksheet_content}
|
|
|
|
Gib die Fragen als JSON zurück:
|
|
{{
|
|
"questions": [
|
|
{{
|
|
"id": "q1",
|
|
"question": "Die Fragestellung hier",
|
|
"options": [
|
|
{{"id": "a", "text": "Antwort A"}},
|
|
{{"id": "b", "text": "Antwort B"}},
|
|
{{"id": "c", "text": "Antwort C"}},
|
|
{{"id": "d", "text": "Antwort D"}}
|
|
],
|
|
"correct_answer": "a",
|
|
"explanation": "Kurze Erklärung warum diese Antwort richtig ist"
|
|
}}
|
|
],
|
|
"metadata": {{
|
|
"subject": "{subject}",
|
|
"grade_level": "{grade_level}",
|
|
"source_title": "{title}",
|
|
"num_questions": {num_questions}
|
|
}}
|
|
}}"""
|
|
|
|
payload = {
|
|
"model": "gpt-4o-mini",
|
|
"response_format": {"type": "json_object"},
|
|
"messages": [
|
|
{"role": "system", "content": system_prompt},
|
|
{"role": "user", "content": user_prompt},
|
|
],
|
|
"max_tokens": 2000,
|
|
"temperature": 0.7,
|
|
}
|
|
|
|
response = requests.post(url, headers=headers, json=payload)
|
|
response.raise_for_status()
|
|
data = response.json()
|
|
|
|
try:
|
|
content = data["choices"][0]["message"]["content"]
|
|
mc_data = json.loads(content)
|
|
except (KeyError, json.JSONDecodeError) as e:
|
|
raise RuntimeError(f"Fehler bei MC-Generierung: {e}")
|
|
|
|
return mc_data
|
|
|
|
|
|
def _generate_mc_with_claude(analysis_data: dict, num_questions: int = 5) -> dict:
|
|
"""
|
|
Generiert Multiple-Choice-Fragen mit Claude API.
|
|
"""
|
|
import anthropic
|
|
|
|
api_key = os.getenv("ANTHROPIC_API_KEY")
|
|
if not api_key:
|
|
raise RuntimeError("ANTHROPIC_API_KEY ist nicht gesetzt.")
|
|
|
|
client = anthropic.Anthropic(api_key=api_key)
|
|
|
|
# Extrahiere relevante Inhalte
|
|
title = analysis_data.get("title") or "Arbeitsblatt"
|
|
subject = analysis_data.get("subject") or "Allgemein"
|
|
grade_level = analysis_data.get("grade_level") or "unbekannt"
|
|
canonical_text = analysis_data.get("canonical_text") or ""
|
|
printed_blocks = analysis_data.get("printed_blocks") or []
|
|
|
|
content_parts = []
|
|
if canonical_text:
|
|
content_parts.append(canonical_text)
|
|
for block in printed_blocks:
|
|
text = block.get("text", "").strip()
|
|
if text and text not in content_parts:
|
|
content_parts.append(text)
|
|
|
|
worksheet_content = "\n\n".join(content_parts)
|
|
|
|
if not worksheet_content.strip():
|
|
return {"questions": [], "metadata": {"error": "Kein Textinhalt gefunden"}}
|
|
|
|
prompt = f"""Erstelle {num_questions} Multiple-Choice-Fragen basierend auf diesem Arbeitsblatt.
|
|
|
|
WICHTIGE REGELN:
|
|
1. SCHWIERIGKEITSGRAD: Exakt Niveau "{grade_level}" - nicht leichter, nicht schwerer
|
|
2. INHALTSTREUE: Nur Fragen zum gegebenen Text
|
|
3. QUALITÄT: Plausible Distraktoren (falsche Antworten)
|
|
|
|
TITEL: {title}
|
|
FACH: {subject}
|
|
KLASSENSTUFE: {grade_level}
|
|
|
|
INHALT:
|
|
{worksheet_content}
|
|
|
|
Antworte NUR mit diesem JSON-Format:
|
|
{{
|
|
"questions": [
|
|
{{
|
|
"id": "q1",
|
|
"question": "Fragestellung",
|
|
"options": [
|
|
{{"id": "a", "text": "Antwort A"}},
|
|
{{"id": "b", "text": "Antwort B"}},
|
|
{{"id": "c", "text": "Antwort C"}},
|
|
{{"id": "d", "text": "Antwort D"}}
|
|
],
|
|
"correct_answer": "a",
|
|
"explanation": "Erklärung"
|
|
}}
|
|
],
|
|
"metadata": {{
|
|
"subject": "{subject}",
|
|
"grade_level": "{grade_level}",
|
|
"source_title": "{title}",
|
|
"num_questions": {num_questions}
|
|
}}
|
|
}}"""
|
|
|
|
message = client.messages.create(
|
|
model="claude-3-5-sonnet-20241022",
|
|
max_tokens=2000,
|
|
messages=[{"role": "user", "content": prompt}]
|
|
)
|
|
|
|
content = message.content[0].text
|
|
|
|
# Versuche JSON zu extrahieren
|
|
try:
|
|
# Falls in Code-Block eingebettet
|
|
if "```json" in content:
|
|
content = content.split("```json")[1].split("```")[0]
|
|
elif "```" in content:
|
|
content = content.split("```")[1].split("```")[0]
|
|
mc_data = json.loads(content.strip())
|
|
except json.JSONDecodeError as e:
|
|
raise RuntimeError(f"Claude hat ungültiges JSON geliefert: {e}")
|
|
|
|
return mc_data
|
|
|
|
|
|
def _shuffle_mc_options(mc_data: dict) -> dict:
|
|
"""
|
|
Mischt die Antwort-Optionen jeder Frage zufällig durch.
|
|
Aktualisiert auch correct_answer entsprechend.
|
|
|
|
Dies stellt sicher, dass die richtige Antwort nicht immer an der gleichen Position steht.
|
|
"""
|
|
if "questions" not in mc_data:
|
|
return mc_data
|
|
|
|
for question in mc_data["questions"]:
|
|
options = question.get("options", [])
|
|
correct_id = question.get("correct_answer")
|
|
|
|
if not options or not correct_id:
|
|
continue
|
|
|
|
# Finde den Text der richtigen Antwort
|
|
correct_text = None
|
|
for opt in options:
|
|
if opt.get("id") == correct_id:
|
|
correct_text = opt.get("text")
|
|
break
|
|
|
|
# Mische die Optionen
|
|
random.shuffle(options)
|
|
|
|
# Vergebe neue IDs (a, b, c, d) und finde neue Position der richtigen Antwort
|
|
new_ids = ["a", "b", "c", "d"]
|
|
new_correct = None
|
|
|
|
for i, opt in enumerate(options):
|
|
if i < len(new_ids):
|
|
if opt.get("text") == correct_text:
|
|
new_correct = new_ids[i]
|
|
opt["id"] = new_ids[i]
|
|
|
|
if new_correct:
|
|
question["correct_answer"] = new_correct
|
|
|
|
question["options"] = options
|
|
|
|
return mc_data
|
|
|
|
|
|
def generate_mc_from_analysis(analysis_path: Path, num_questions: int = 5) -> Path:
|
|
"""
|
|
Generiert Multiple-Choice-Fragen aus einer Analyse-JSON-Datei.
|
|
|
|
Die Fragen werden:
|
|
- Basierend auf dem extrahierten Text erstellt
|
|
- Auf dem Schwierigkeitsniveau des Originals gehalten
|
|
- Mit zufällig angeordneten Antworten versehen
|
|
|
|
Args:
|
|
analysis_path: Pfad zur *_analyse.json Datei
|
|
num_questions: Anzahl der zu generierenden Fragen (Standard: 5)
|
|
|
|
Returns:
|
|
Pfad zur generierten *_mc.json Datei
|
|
"""
|
|
if not analysis_path.exists():
|
|
raise FileNotFoundError(f"Analysedatei nicht gefunden: {analysis_path}")
|
|
|
|
try:
|
|
analysis_data = json.loads(analysis_path.read_text(encoding="utf-8"))
|
|
except json.JSONDecodeError as e:
|
|
raise RuntimeError(f"Ungültige Analyse-JSON: {e}")
|
|
|
|
logger.info(f"Generiere MC-Fragen für: {analysis_path.name}")
|
|
|
|
vision_api = get_vision_api()
|
|
|
|
# Generiere MC-Fragen (nutze konfigurierte API)
|
|
if vision_api == "claude":
|
|
try:
|
|
mc_data = _generate_mc_with_claude(analysis_data, num_questions)
|
|
except Exception as e:
|
|
logger.warning(f"Claude MC-Generierung fehlgeschlagen, nutze OpenAI: {e}")
|
|
mc_data = _generate_mc_with_openai(analysis_data, num_questions)
|
|
else:
|
|
mc_data = _generate_mc_with_openai(analysis_data, num_questions)
|
|
|
|
# Mische die Antwort-Positionen durch
|
|
mc_data = _shuffle_mc_options(mc_data)
|
|
|
|
# Speichere MC-Daten
|
|
out_name = analysis_path.stem.replace("_analyse", "") + "_mc.json"
|
|
out_path = BEREINIGT_DIR / out_name
|
|
out_path.write_text(json.dumps(mc_data, ensure_ascii=False, indent=2), encoding="utf-8")
|
|
|
|
logger.info(f"MC-Fragen gespeichert: {out_path.name}")
|
|
return out_path
|