ai-mindset-org/find-vendor

find-vendor — Поиск подрядчика

Шаг 1: Разбор запроса (NL → JSON)

Прочитай запрос из $ARGUMENTS или из диалога и сгенерируй JSON, соответствующий schemas/agent1_output.schema.json.

Обязательные поля (если не указаны — задай уточняющие вопросы, не переходи дальше):

• source — язык оригинала (формат: en_us, de_de, ...)
• target — язык перевода
• type — тип услуги: Translation, Editing, Proofreading

Псевдонимы типов:

• Translation: перевод, translation, перевести
• Editing: редактура, редактирование, editing
• Proofreading: вычитка, proofreading

Псевдонимы доменов: MMO, Warhammer, MTPE, Юридичка/юрид, Шутеры

Значения по умолчанию:

• top_n: 5
• include_unavailable: false
• ranking_weights: rate=0.3, score=0.25, recommendation=0.2, reliability=0.15, domain_match=0.1
• max_rate_eur: null

Специфика: Если менеджер упоминает жанр, тематику, франшизу или особый навык (например: JRPG, стихи, Warhammer 40K, аниме, мюзикл) — извлеки ключевые слова в specialty_keywords (массив строк) и выбери релевантные таблицы из каталога ниже → запиши их ID в specialty_table_ids. Если специфики нет — оба поля оставь пустыми массивами.

Каталог specialty-таблиц (статический):

DB 216 — жанры игр:
  919: Survival horror        922: SOULS-like
  925: Shoot'em up            951: Battle Royale
  960: JRPG                   972: Colony sim
  973: CCG/ККИ                976: Файтинги
  981: Симуляторы             985: ММОRPG
  986: Гонки                  989: Головоломки
  994: Стратегии              995: МОВА
  996: ММО-шутеры             997: Вампиры/РПГ/хорроры

DB 217 — франшизы/вселенные:
  924: Snoopy/Book of Life    956: Rick & Morty
  959: Monster Hunter         961: Harry Potter
  962: Final Fantasy          963: Family Guy/Walking Dead/American Dad
  964: Eve Online             965: Dune
  967: DnD                   968: Disney/Pixar
  969: Disciples              971: Crash Bandicoot
  974: Blizzard               982: Warhammer
  983: Star Trek/Star Wars    1010: BioShock/Dishonored/Wolfenstein/System Shock/Deus Ex

DB 221 — другие темы:
  946: Стритбол/баскетбол/волейбол/скейтбординг
  958: Ninja Edition          970: Crypto
  977: Техника (корабли/поезда/самолёты)
  979: Стихи                  980: Скандинавская мифология
  984: Футбол                 990: Военные корабли
  991: Боевые искусства       992: Байкерство/мотоциклы
  993: Аниме                  1005: Сервисы (твич/дискорд)
  1013: Азия (культура/традиции)

Сгенерируй request_id (UUID v4):

py -c "import uuid; print(uuid.uuid4())"

Сохрани JSON во временный файл:

cat > /tmp/fv_request.json << 'EOF'
{ ... сгенерированный JSON ... }
EOF

Шаг 2: Ранжирование через Baserow

PYTHONPATH=src py scripts/agent2_rank_baserow.py /tmp/fv_request.json \
  --base-url "$BASEROW_BASE_URL" \
  --token "$BASEROW_API_TOKEN" \
  --vendor-rates-table-id "$BASEROW_VENDOR_RATES_TABLE_ID" \
  --language-vendors-table-id "$BASEROW_LANGUAGE_VENDORS_TABLE_ID" \
  --reliability-form-table-id "$BASEROW_RELIABILITY_FORM_TABLE_ID" \
  > /tmp/fv_agent2.json

Прочитай /tmp/fv_agent2.json через Read tool.

Если переменные окружения не настроены — объясни пользователю какие нужно задать (BASEROW_BASE_URL, BASEROW_API_TOKEN, BASEROW_VENDOR_RATES_TABLE_ID, BASEROW_LANGUAGE_VENDORS_TABLE_ID, BASEROW_RELIABILITY_FORM_TABLE_ID) и остановись.

Шаг 3: LLM-анализ отзывов и специфики

Для каждого кандидата из top_candidates прочитай:

• feedback_summary.highlights, feedback_summary.risks, feedback_summary.form_comments
• important_facts — важные факты из профиля подрядчика
• specialty_data — массив ответов из опросов по тематикам/жанрам/франшизам

Дополнительно загрузи сырые комментарии из Baserow через MCP:

mcp__baserow__list_rows(table_id=<BASEROW_RELIABILITY_FORM_TABLE_ID>)

Отфильтруй строки по email кандидата (поле Vendor). Поля для анализа: За что можно похвалить, За что можно поругать, Дополнительная информация.

На основе всех собранных данных сформируй для каждого кандидата:

• summary — 1-2 предложения: что говорят менеджеры в целом
• highlights_llm — 2-3 сильных стороны
• risks_llm — риски (если есть)
• sentiment — positive / neutral / negative
• specialty_match — если менеджер указал специфику (specialty_keywords непустой): проверь specialty_data и important_facts — есть ли у кандидата релевантный опыт? Напиши 1-2 предложения с конкретными деталями из ответов. Если данных нет — пиши «Данных о специфике нет».

Правила: опирайся только на реальные данные. Если отзывов нет — пиши «Отзывов нет». Не придумывай.

Шаг 4: Вывод результатов в чате

Отформатируй и выведи результаты в Markdown:

## Результаты поиска: {source} → {target}, {type}{, до X EUR}

Найдено кандидатов: **N**
{Отсеяно M: причины}

---

### 1. {Имя} — {match_score}%

| | |
|---|---|
| **Email** | ... |
| **Ставка** | ... EUR |
| **Оценка** | ... |
| **Рекомендация** | ... |
| **Надёжность** | ... |
| **Статус** | ... |
| **Часовой пояс** | ... |
| **Mattermost** | да/нет |
| **Домены** | ... |
| **CAT** | ... |
| **Важные факты** | ... (если есть) |

**Отзывы менеджеров:** {summary}
- Хвалят: {highlights_llm}
- Риски: {risks_llm}
- Специфика: {specialty_match} (если менеджер запрашивал специфику)

Не отправляй в Mattermost — только показывай в чате. Сохрани финальный agent2 output в /tmp/fv_agent2.json для возможного последующего использования.