Initial portal commit: landing + 9 AI-powered apps
Apps: - dwg-rooms: extract room numbers from DWG/DXF - dwg-counting: count symbols in PDF drawings (OpenCV template matching) - contract-check: review PDF contracts against a checklist (Claude vision + Tesseract OCR fallback) - email-drafter: bullet notes → polished Czech/English business emails - invoice-extractor: PDF/image invoice → structured data → Excel - translator: Czech-first translator across 19 languages with tone control - vv-check: find inconsistent unit prices across VV sheets in one workbook - vv-compare: diff original vs new VV files (changes / added / removed) - feature-request: portal users submit ideas + sample files Infrastructure: - LiteLLM gateway with per-app virtual keys + budgets - Langfuse observability - Geist font, shared theme, cross-subdomain back link + theme sync via cookie/URL - Caddy reverse proxy on *.klas.chat
This commit is contained in:
Ondřej Glaser
150
contract-check/analyzer.py
Normal file
150
contract-check/analyzer.py
Normal file
@@ -0,0 +1,150 @@
|
||||
"""LLM-based contract analysis against a user-supplied checklist."""
|
||||
import io
|
||||
import json
|
||||
import logging
|
||||
import os
|
||||
from pathlib import Path
|
||||
|
||||
import fitz # PyMuPDF
|
||||
from PIL import Image
|
||||
import pytesseract
|
||||
from openai import AsyncOpenAI
|
||||
|
||||
logger = logging.getLogger(__name__)
|
||||
|
||||
_client: AsyncOpenAI | None = None
|
||||
|
||||
|
||||
def _get_client() -> AsyncOpenAI:
|
||||
global _client
|
||||
if _client is None:
|
||||
_client = AsyncOpenAI(
|
||||
base_url=os.getenv("LITELLM_BASE_URL", "http://host.docker.internal:4000/v1"),
|
||||
api_key=os.getenv("LITELLM_API_KEY", "sk-dummy"),
|
||||
)
|
||||
return _client
|
||||
|
||||
|
||||
MODEL = os.getenv("LLM_MODEL", "anthropic/claude-sonnet-4-20250514")
|
||||
|
||||
|
||||
SYSTEM_PROMPT = """Jste expert na české obchodní právo a pomáháte podnikateli posoudit smlouvu, kterou má podepsat.
|
||||
|
||||
Vaším úkolem je analyzovat smlouvu z pohledu PŘÍJEMCE smlouvy (toho, kdo ji má podepsat), nikoliv toho, kdo ji sepsal. Hledáte rizika, nevýhodná ustanovení a věci, na které by si měl dát příjemce pozor.
|
||||
|
||||
Text smlouvy obdržíte rozdělený podle stran — každá strana začíná značkou "--- Strana N ---". U každého citátu MUSÍTE uvést, na které straně se nachází.
|
||||
|
||||
Pro každý bod kontrolního seznamu posoudíte smlouvu a vrátíte JSON s následující strukturou:
|
||||
|
||||
{
|
||||
"items": [
|
||||
{
|
||||
"id": "id_polozky",
|
||||
"status": "ok" | "warning" | "problem" | "missing",
|
||||
"title": "Krátký nadpis nálezu (3-7 slov)",
|
||||
"summary": "1-3 věty vysvětlující nález z pohledu příjemce smlouvy",
|
||||
"excerpts": [
|
||||
{
|
||||
"text": "Přesný citát ze smlouvy (krátký, 5-15 slov, ideálně dohledatelný v PDF)",
|
||||
"comment": "Stručný komentář k úryvku — co znamená / proč je to relevantní",
|
||||
"page": <číslo strany, kde se citát nachází (celé číslo)>
|
||||
}
|
||||
]
|
||||
}
|
||||
],
|
||||
"overall_summary": "Celkové shrnutí 3-5 vět: hlavní rizika a hlavní výhody. ŽÁDNÁ doporučení co dělat.",
|
||||
"risk_level": "low" | "medium" | "high"
|
||||
}
|
||||
|
||||
Pravidla:
|
||||
- Status "ok" = ustanovení je vyvážené a bezpečné pro příjemce
|
||||
- Status "warning" = stojí za pozornost, ne nutně problém
|
||||
- Status "problem" = jasně nevýhodné nebo riskantní pro příjemce
|
||||
- Status "missing" = bod se ve smlouvě nepokrývá (chybí ustanovení)
|
||||
- Excerpts musí být DOSLOVNÉ citáty ze smlouvy (kvůli zvýraznění v PDF). Pokud nelze citovat (např. status=missing), vraťte prázdné pole [].
|
||||
- KAŽDÝ citát MUSÍ obsahovat číslo strany ("page"). Stranu poznáte podle značky "--- Strana N ---" před textem.
|
||||
- NEDÁVEJTE doporučení co s nálezem dělat — uživatel sám ví, co bude řešit. Pouze konstatujte fakta.
|
||||
- Komentáře piště česky, věcně a stručně.
|
||||
- Nevymýšlejte si — pokud něco ve smlouvě není, řekněte to.
|
||||
- Vraťte POUZE JSON, žádný markdown, žádný text okolo."""
|
||||
|
||||
|
||||
async def analyze_contract(pdf_path: Path, checklist_items: list[dict]) -> dict:
|
||||
"""Run LLM analysis on a contract PDF against the given checklist."""
|
||||
text, used_ocr = _extract_text(pdf_path)
|
||||
if not text.strip():
|
||||
raise RuntimeError(
|
||||
"Z PDF se nepodařilo získat žádný text — ani standardním "
|
||||
"způsobem ani OCR. Zkuste lepší kvalitu skenu nebo PDF s textovou vrstvou."
|
||||
)
|
||||
|
||||
checklist_block = "\n".join(
|
||||
f"- id={it['id']}: {it['label']} — {it.get('hint', '')}"
|
||||
for it in checklist_items
|
||||
)
|
||||
|
||||
user_msg = f"""KONTROLNÍ SEZNAM (co posoudit):
|
||||
{checklist_block}
|
||||
|
||||
TEXT SMLOUVY:
|
||||
{text}
|
||||
|
||||
Vraťte JSON s analýzou každé položky kontrolního seznamu."""
|
||||
|
||||
resp = await _get_client().chat.completions.create(
|
||||
model=MODEL,
|
||||
messages=[
|
||||
{"role": "system", "content": SYSTEM_PROMPT},
|
||||
{"role": "user", "content": user_msg},
|
||||
],
|
||||
temperature=0.1,
|
||||
max_tokens=8000,
|
||||
)
|
||||
raw = (resp.choices[0].message.content or "").strip()
|
||||
logger.info("Analysis raw length: %d chars", len(raw))
|
||||
# Strip markdown fences if model wrapped it anyway
|
||||
raw = raw.removeprefix("```json").removeprefix("```").removesuffix("```").strip()
|
||||
try:
|
||||
data = json.loads(raw)
|
||||
except json.JSONDecodeError as e:
|
||||
logger.error("JSON parse failed: %s\n%s", e, raw[:1000])
|
||||
raise RuntimeError(f"Nepodařilo se zpracovat odpověď AI: {e}")
|
||||
# Tell the caller whether we had to OCR — UI can show a notice and
|
||||
# we'll skip in-page highlighting since the original PDF has no text layer.
|
||||
data["_used_ocr"] = used_ocr
|
||||
return data
|
||||
|
||||
|
||||
def _extract_text(pdf_path: Path) -> tuple[str, bool]:
|
||||
"""Extract text from PDF. Falls back to OCR if the PDF has no text layer.
|
||||
|
||||
Returns (text, used_ocr).
|
||||
"""
|
||||
doc = fitz.open(str(pdf_path))
|
||||
parts = []
|
||||
total_chars = 0
|
||||
for i, page in enumerate(doc):
|
||||
t = page.get_text()
|
||||
parts.append(f"--- Strana {i + 1} ---\n{t}")
|
||||
total_chars += len(t.strip())
|
||||
# Heuristic: <20 chars per page on average → looks like a scan
|
||||
needs_ocr = doc.page_count > 0 and (total_chars / max(doc.page_count, 1)) < 20
|
||||
if not needs_ocr:
|
||||
doc.close()
|
||||
return "\n\n".join(parts), False
|
||||
|
||||
logger.info("PDF appears to be scanned (~%d chars across %d pages) — running OCR",
|
||||
total_chars, doc.page_count)
|
||||
parts = []
|
||||
for i, page in enumerate(doc):
|
||||
# Rasterize page at 250 DPI for OCR quality
|
||||
pix = page.get_pixmap(dpi=250, alpha=False)
|
||||
img = Image.frombytes("RGB", (pix.width, pix.height), pix.samples)
|
||||
try:
|
||||
ocr_text = pytesseract.image_to_string(img, lang="ces+eng")
|
||||
except pytesseract.TesseractError as e:
|
||||
logger.error("Tesseract failed on page %d: %s", i + 1, e)
|
||||
ocr_text = ""
|
||||
parts.append(f"--- Strana {i + 1} ---\n{ocr_text}")
|
||||
doc.close()
|
||||
return "\n\n".join(parts), True
|
||||
Reference in New Issue
Block a user