готовность к созданию API и базы контекста для ИИ.

services/text_reporter.py

@@ -8,12 +8,11 @@ from services.knowledge_base import load_knowledge_base
 def find_python_fuzzy_matches(unexplained_df, raw_absent_df):
     """
     Точный поиск совпадений ФИО силами Python (без галлюцинаций ИИ).
-    Сравнивает фамилию и полное имя с порогом сходства >= 0.80.
+    Сравнивает фамилию и полное имя с порогом сходства >= 0.75.
     """
     if unexplained_df.empty or raw_absent_df is None or raw_absent_df.empty:
         return []
 
-    # Собираем словарь чистых ФИО 1С -> сырые ФИО 1С
     absent_dict = {}
     for idx, r in raw_absent_df.iterrows():
         raw_fio = str(r.get('ФИО', ''))
@@ -37,7 +36,6 @@ def find_python_fuzzy_matches(unexplained_df, raw_absent_df):
                 continue
             abs_surname = abs_parts[0].lower()
 
-            # Строгая проверка совпадения фамилии
             if surname == abs_surname:
                 ratio = difflib.SequenceMatcher(None, fio.lower(), abs_clean.lower()).ratio()
                 if ratio >= 0.75:
@@ -51,23 +49,13 @@ def find_python_fuzzy_matches(unexplained_df, raw_absent_df):
     return matches
 
 
-def generate_markdown_report(merged_df, absent_explained, absent_unexplained, scud_present_but_absent_in_1c, anomalies_list=None, raw_scud_df=None, raw_staff_df=None, raw_absent_df=None, date_str="29.07.2026"):
+def generate_markdown_report(merged_df, absent_explained, absent_unexplained, scud_present_but_absent_in_1c, anomalies_list=None, raw_scud_df=None, raw_staff_df=None, raw_absent_df=None, date_str="05.08.2026"):
+    # 1. Загрузка Базы Знаний
     kb = load_knowledge_base()
     custom_rules = kb.get("rules", [])
     custom_rules_str = "\n".join([f"- {r}" for r in custom_rules]) if custom_rules else "Специфических правил компании пока нет."
 
-    # 1. Точный расчет неточных совпадений через Python (Исключает галлюцинации ИИ)
-    fio_mismatches_python = find_python_fuzzy_matches(absent_unexplained, raw_absent_df)
-
-    # 2. Список истинно неизвестных для ИИ
-    unexplained_list = []
-    if not absent_unexplained.empty:
-        for idx, r in absent_unexplained.iterrows():
-            fio = r.get('Сотрудник', r.get('fio_clean', ''))
-            dept = r.get('Подразделение', '—')
-            pos = r.get('Должность', '—')
-            unexplained_list.append(f"{fio} — {dept}, {pos}")
-
+    # 2. Предварительный расчет ключевых метрик (РЕШАЕТ NameError: total_staff)
     total_staff = len(merged_df)
     is_working_mask = (merged_df['Пришел'] == True) | (
         merged_df['Вид_отсутствия'].astype(str).str.lower().str.contains('командировк|удален|дистанцион|разъездн', regex=True, na=False)
@@ -77,6 +65,25 @@ def generate_markdown_report(merged_df, absent_explained, absent_unexplained, sc
     unexplained_cnt = len(absent_unexplained)
     anomalies_cnt = len(anomalies_list) if anomalies_list else 0
 
+    # 3. Точный расчет неточных совпадений через Python
+    fio_mismatches_python = find_python_fuzzy_matches(absent_unexplained, raw_absent_df)
+
+    # 4. Формирование списка неизвестных с приоритетом аббревиатуры СКУД
+    unexplained_list = []
+    if not absent_unexplained.empty:
+        for idx, r in absent_unexplained.iterrows():
+            fio = r.get('Сотрудник', r.get('fio_clean', ''))
+            
+            dept_scud = str(r.get('department_scud', '')).strip()
+            dept_1c = str(r.get('Подразделение', '')).strip()
+            dept = dept_scud if (dept_scud and dept_scud.lower() != 'nan' and dept_scud != '—') else dept_1c
+            if not dept:
+                dept = '—'
+
+            pos = r.get('Должность', '—')
+            unexplained_list.append(f"{fio} — {dept}, {pos}")
+
+    # 5. Сборка промпта для Ollama
     prompt = f"""
 Ты — старший аудитор кадровой безопасности и контроллинга СКУД. 
 Сформируй итоговую сводку кадрового контроля на {date_str}.