# От задачи к четырём файлам

Упражнение на вымышленных данных компании «Линия». Работайте в выбранном ИИ: школа не требует LMS, сдачи или оценки. Использование своего ИИ может требовать подписку или оплату; материалы бесплатны.

1. Распакуйте `downloads/neurobrain-task-execution-student-1.0.0.zip` в отдельную папку. Получится `student/` с 12 файлами. Откройте только эту папку в ИИ-клиенте либо прикрепите к новому диалогу все пять `student/input/*`, `student/OUTPUT-CONTRACT.md` и `student/prompts/first.txt`.
2. ИИ должен действительно прочитать пять входов, самостоятельно рассчитать сумму трёх позиций, написать четыре объявления и содержательные документы по контракту. Неизвестные условия сохраняются неизвестными. Хеши нужны от реальных байтов; если ваш клиент не умеет читать файлы/считать SHA256, прочитайте их сами, вычислите хеши локально и передайте их вместе с содержимым.
3. Создайте `student/output/first/`. Сохраните четыре отдельных UTF-8 файла: `ad-pack.json`, `handoff.md`, `landing-facts.md`, `open-questions.md`. Если ответ пришёл в чат, скопируйте каждый документ в свой файл без обрамления кодового блока. JSON должен открываться как JSON. Сохраните первую попытку **до** самопроверки; не перезаписывайте её.
4. После сохранения прочитайте все четыре файла и `student/SELF-CHECK.md`. Проверьте расчёт, запросы и исключения, источники обещаний, согласованность посадочной, неизвестные условия и ссылки. Замечания и исправленный результат сохраняйте отдельно. Самопроверка добровольная; вопрос можно разобрать в Zoom или школьном чате.

Для локальных SHA256 сохраните этот код как `file-hashes.py` в папке над `student/` и выполните `python3 file-hashes.py` (или используйте имя установленного Python 3). Он только читает файлы, не вызывает модель/сеть и ничего не отправляет:

```python
from pathlib import Path
import hashlib, json
names = {
    "input_sha256": ("student/input", ["brief.md", "company.json", "package-brief.json", "query-intents.csv", "task.json"]),
    "output_sha256": ("student/output/first", ["ad-pack.json", "handoff.md", "landing-facts.md", "open-questions.md"]),
}
result = {}
for key, (folder, files) in names.items():
    root = Path(folder)
    if key == "output_sha256" and not root.exists():
        continue
    result[key] = {name: hashlib.sha256((root / name).read_bytes()).hexdigest() for name in files}
print(json.dumps(result, ensure_ascii=False, indent=2))
```

Результат подготовки остаётся локальным черновиком; рекламный запуск — `HOLD_MISSING_PARAMETERS`. При отсутствии обязательной цены нужна остановка `HOLD` с причиной, не догадка. В отдельных копиях после первой попытки попробуйте `prompts/unknown.txt` и `prompts/mismatch.txt`. При изменении входов старый результат сохраняется, а новая версия требует собственной проверки. `prompts/repeat.txt` проверяет повтор приёмки без дублирования, не повторный вызов модели; без менеджера сравните хеши вручную.

## Необязательные инструменты

Исходный `student/README.md` упоминает локальный менеджер. Его нет в архиве 12 исходников, и для основной практики он не нужен. Дополнительный `downloads/neurobrain-task-execution-workflow-1.0.0.zip` содержит адаптированную публичную инструкцию и два неизменных скрипта.

Распакуйте **оба** архива в одну папку, чтобы рядом лежали `student/` и `workflow/`; worker читает `student/OUTPUT-CONTRACT.md`. Откройте `workflow/README.md` для точных команд. Ручное прикрепление не вызывает ИИ. Автоматический worker — отдельный технический пример: исторически проверялся с Codex CLI `0.162.0-alpha.17.2` и Python 3.13, требует совместимый собственный CLI, авторизацию и отдельную независимую сверку. Он может расходовать лимиты/деньги. Не заменяйте несовместимые защитные флаги и не повторяйте неясный вызов вслепую.

В архивах нет готовых результатов, ответов преподавателя, приглашений или доступа к Zoom. Не публикуйте собственные журналы CLI/аккаунта. Упражнение ничего не импортирует в рекламу, не запускает бюджет и не подключает реальный таскменеджер.