سلام به تو ترب توربویی عزیز 🚀🌪️ خوشحالیم که در اولین مرحله‌ی **TorobTurbo: the LLM Rush** یعنی **مسابقه‌ی انتخابی** همراه ما هستی. امیدواریم این مسابقه برات سرشار از یادگیری و تجربه‌های مفید باشه و از حل مسئله لذت ببری! در این مسابقه قراره با کمک LLMها به حل چالش‌های مختلف بپردازیم. این مرحله از مسابقه علاوه‌بر رقابت، یه فرصت عالی برای یادگیری و تمرینه. پس لازم نیست نگران باشی که حتماً متخصص LLM یا ایجنت‌ ساختن باشی. حتی اگر تازه با این دنیا آشنا شدی، اینجا می‌تونی با آرامش و قدم‌به‌قدم جلو بری و چیزهای زیادی یاد بگیری. 🔹 بیشتر سؤالات این مرحله طوری طراحی شدن که مستقیم با استفاده از LLMها قابل حل باشن. 🔹 تنها یک سؤال به اسم **«بردار کلمات»** هست که مسیرش کمی متفاوت‌تره و بدون LLM حل می‌شه! 🔹 برای هر سؤال، کافیه یک راه‌حل طراحی کنی و اجازه بدی LLM یا ایجنت‌ت اون رو اجرا کنه. در طول مسابقه یادت باشه: + اگر جایی سوال داشتی یا گیر کردی، بخش «[سؤال بپرسید](https://quera.org/contest/clarification/89594/)» در دسترسه. + حتما دکمه‌ی «فعال کردن اطلاعیه‌ها» رو بزن تا هیچ نکته‌ی مهمی رو از دست ندی! + و مهم‌تر از همه، از مسیر یادگیری لذت ببر :‌) # توضیحات فنی برای حل کردن سوالات نیاز به یک LLM Provider و همچنین توکن شارژ شده دارید. در این قسمت به توضیح نحوه‌ی استفاده و دریافت توکن LLM می‌پردازیم: ### محیط توسعه + برای توسعه روی سیستم خودتان می‌توانید از هر ارائه‌دهنده‌‌ای که در دسترستان است استفاده کنید (البته با رعایت قوانین مسابقه) + همچنین از طریق لینک زیر می‌توانید یک توکن یک دلاری برای توسعه و تست از طرف ترب دریافت کنید: https://quera.org/contest/23408/create-torob-ai-account + داوری با استفاده از سامانه بالا صورت می‌گیرد و بهتر است برای شبیه بودن محیط توسعه و داوری از توکن ترب استفاده کنید. ### محیط داوری + توجه کنید که **در کل مسابقه فقط ۱ دلار اعتبار در محیط داوری دارید** و این اعتبار رو باید تا پایان مسابقه مدیریت کنید. + پس از هر ارسال، با کلیک بر روی **نمره‌ی خود** در ستون «وضعیت» از بخش «**همه‌ی ارسال‌ها**» می‌تونید میزان اعتبار باقی‌مانده‌ی اختصاص یافته به خود را مطابق تصویر زیر مشاهده کنید.  + دقت کنید که در کد ارسالی حتما مقدار base_url را برابر با "https://turbo.torob.com/v1" قرار دهید و حتما از توکن داده شده در ورودی سوال استفاده کنید. استفاده از توکن‌های لوکال در جواب‌های ارسالی ممنوع می‌باشد. #### قوانین استفاده از LLM + در این مسابقه حتما باید از مدل `gpt-4.1-mini` استفاده کنید. + می‌توانید tools جدید بنویسید و از آن استفاده کنید اما استفاده از از tool های آماده‌ی LLM مانند web_search ،file_search و ... مجاز نیست. + حالت stream پیشتیبانی نمی‌شود. + در هر درخواست طول کانتکست ورودی به 20K توکن و حداکثر توکن خروجی به 1K توکن محدود شده است. ### اطلاعات سامانه‌ی داوری نسخه‌ی پایتون: 3.13 کتابخانه‌های زیر به صورت پیش فرض روی سامانه‌ی داوری نصب هستن: openai httpx requests pydantic (core) ### نحوه‌ی ارسال پاسخ برای پاسخ به سوالات شما باید یک فایل zip با محتوای زیر آپلود کنید: ``` answer.zip ├── python_requirements.txt └── solution.py ``` فرمت فایل solution.py در هر سوال آمده است و یک نمونه‌ هم در پایین این صفحه خواهید دید. در صورتی که در کد خود از کتابخانه‌ی اضافه‌ای استفاده کردید باید آن را با فرمت زیر در فایل `python_requirements.txt` قرار دهید. دقت کنید که برای کتابخانه‌ها نسخه را نباید مشخص کنید و همیشه آخرین نسخه نصب می‌شود. ```txt python_requirements.txt pandas numpy ``` ### نمونه‌ی پاسخ با استفاده از کتابخانه‌ی OpenAI ```python solution.py class TestQuestion: def __init__(self, api_key): self.model = "gpt-4.1-mini" self.client = OpenAI(api_key=api_key, base_url="https://turbo.torob.com/v1") def test_request(self): response = client.chat.completions.create( model=self.model, messages=[ {"role": "user", "content": "Hello"}, ], ) print(response.choices[0].message.content) ``` ### نمونه پاسخ با استفاده از کتابخانه‌ی pydantic-ai برای استفاده از pydantic-ai باید خط زیر را در فایل `python_requirements.txt` قرار دهید: ```txt python_requirements.txt pydantic-ai-slim[openai] ``` سپس به صورت زیر از آن استفاده کنید. **توجه: هنگام ایجاد `OpenAIProvider` مقدار http_client را حتما به صورت دستی در آن ست کنید وگرنه کد شما در سامانه‌ی داوری به درستی اجرا نمی‌شود!** ```python solution.py class TestQuestion: def __init__(self, api_key): self.chat_model = OpenAIChatModel( "gpt-4.1-mini", provider=OpenAIProvider( base_url="https://turbo.torob.com/v1", api_key=api_key, http_client=httpx.AsyncClient() # Don't forget! ), ) self.agent = Agent(self.chat_model) def test_request(self): response = self.agent.run_sync("Hello") return response.output ``` ------ موفق باشی و امیدواریم تجربه‌ای پر از یادگیری، خلاقیت و هیجان از این مرحله برای خودت بسازی. 💙