File size: 4,392 Bytes
2768144 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 |
# learning_hub/schemas.py
from pydantic import BaseModel, Field
from typing import List, Dict, Any, Optional
from datetime import datetime
import uuid
# ---------------------------------------------------------------------------
# 1. مخطط "دلتا" (Delta) - (من النقطة 3 في خطتك)
# هذه هي "القاعدة" أو "الخبرة" التي يتم تخزينها في الذاكرة.
# ---------------------------------------------------------------------------
class Delta(BaseModel):
id: str = Field(default_factory=lambda: f"delta_{uuid.uuid4().hex[:10]}")
text: str = Field(..., description="القاعدة المقترحة نصياً (e.g., When RSI<25...)")
domain: str = Field(..., description="المجال (e.g., 'strategy', 'pattern', 'indicator', 'monte_carlo')")
priority: str = Field(default="medium", description="الأولوية (high, medium, low)")
score: float = Field(default=0.5, description="النتيجة الإجمالية للدلتا (للاسترجاع)")
evidence_refs: List[str] = Field(default=[], description="المعرفات المرجعية (e.g., trace_id, trade_id)")
created_by: str = Field(default="reflector_v1", description="المكون الذي أنشأ هذه الدلتا")
created_at: str = Field(default_factory=lambda: datetime.now().isoformat())
approved: bool = Field(default=False, description="هل تمت الموافقة عليها (تلقائياً أو يدوياً)")
usage_count: int = Field(default=0)
last_used: Optional[str] = None
# حقول إضافية لتسهيل الاسترجاع
trade_strategy: Optional[str] = None # استراتيجية الدخول
exit_profile: Optional[str] = None # ملف الخروج
# ---------------------------------------------------------------------------
# 2. مخطط "مخرجات المنعكس" (ReflectorOutput) - (من النقطة 3 في خطتك)
# هذا هو الـ JSON الذي نتوقع أن يعود به النموذج الضخم (LLM) بعد تحليل التجربة.
# ---------------------------------------------------------------------------
class ReflectorOutput(BaseModel):
success: bool = Field(..., description="هل كانت النتيجة الفعلية (Outcome) ناجحة؟")
score: float = Field(..., description="تقييم التجربة (0.0 إلى 1.0)")
error_mode: str = Field(..., description="وصف لنمط الخطأ (e.g., 'ignored_volatility', 'premature_exit')")
suggested_rule: str = Field(..., description="القاعدة المقترحة (الدلتا) بحد أقصى 25 كلمة.")
confidence: float = Field(..., description="ثقة النموذج في هذه القاعدة المقترحة (0.0 إلى 1.0)")
# ---------------------------------------------------------------------------
# 3. مخطط "سجل التتبع" (TraceLog) - (مطلوب لتغذية المنعكس)
# هذا هو السجل الكامل للتجربة (الصفقة) الذي سيتم إرساله إلى المنعكس (Reflector).
# ---------------------------------------------------------------------------
class TraceLog(BaseModel):
trace_id: str = Field(default_factory=lambda: f"trace_{uuid.uuid4().hex[:10]}")
timestamp: str = Field(default_factory=lambda: datetime.now().isoformat())
# 1. بيانات القرار الأصلي (ماذا قررنا؟)
decision_context: Dict[str, Any] = Field(..., description="بيانات القرار الأصلية من الصفقة (decision_data)")
# 2. بيانات البيئة وقت القرار (ما هي الظروف؟)
# (سنحتاج لتخزين هذا في كائن الصفقة عند إنشائها)
market_context_at_decision: Dict[str, Any] = Field(default={}, description="سياق السوق عند فتح الصفقة")
indicators_at_decision: Dict[str, Any] = Field(default={}, description="المؤشرات عند فتح الصفقة")
# 3. النتيجة الفعلية (ماذا حدث؟)
closed_trade_object: Dict[str, Any] = Field(..., description="كائن الصفقة المغلقة بالكامل")
actual_outcome_reason: str = Field(..., description="سبب الإغلاق (e.g., 'Hard Stop Loss hit', 'Tactical Monitor')")
print("✅ Learning Hub Module: Schemas loaded (Delta, ReflectorOutput, TraceLog)") |