task_hint_LLM implementiert

math-tutor/backend/app/LLM_services/task_hint_LLM.py

 from __future__ import annotations
+from app.deterministic_services import llm_client
 
 
+HINT_SYSTEM_PROMPT = """
+Du bist ein didaktischer Mathe-Tutor."
+1) Antworte NUR mit einem kurzen Tipp (1-2 Sätze), keine Beispiele, keine Herleitung, keine komplette Lösung.
+2) Beziehe dich PRIMÄR auf die 'Aktuelle Frage'. Ignoriere ältere Nebenfragen, außer sie sind nötig.
+3) Wenn der Nutzer etwas Falsches sagt weiße ihn darauf hin gib aber keine Lösung an.
+4) Basiere deine Tipps auf den Hinweisen.
+5) Die Übergebene Lösung ist IMMER korrekt.
+6) Der Nutzer kenn die Läsung und die Hinweise nicht.
+
+verwende die $ für mathematische Formeln, z.B. $a^2 + b^2 = c^2$
+
+Antworte mit folgender Struktur
+Das war richtig/das ist noch nicht richtig/gute Frage
+[Hier soll der nächster Tipp um weiter zu machen/um den Fehler zu korrigieren stehen ohne Klammern]
+"""
+
 def generate_hint(
     query: str | None,
     task: str,
@@ -9,12 +26,28 @@ def generate_hint(
     history: list[dict] | None = None,
     sources: str | None = None,
 ) -> str:
-    # Temporary placeholder so orchestrator_task can call this module now.
-    # Replace this implementation with your custom LLM call.
-    if hints:
-        return hints[0]
-    if solution:
-        return "Hinweis: Nutze die gegebene Musterloesung als Orientierung fuer den naechsten Schritt."
-    if task:
-        return "Hinweis: Lies die Aufgabenstellung genau und bestimme zuerst, was gesucht ist."
-    return "Kein Hinweis verfuegbar."
+    context_parts = [
+        f"Aufgabe:{task}\n",
+        f"Lösung:{solution}\n",
+        f"Hinweise:{hints}\n"
+    ]
+    if sources:
+        context_parts.append(f"Kontext/Sources:\n{sources}")
+
+    messages = [{"role": "system", "content": HINT_SYSTEM_PROMPT}]
+
+    # Kompakter Kontext als eine Nachricht (kein langer Fließtext mit History mischen)
+    messages.append({"role": "user", "content": "\n\n".join(context_parts)})
+
+    # History als echte Turns (und ggf. begrenzen, siehe Punkt 2)
+    if history:
+        messages.extend(history)
+
+    # Aktuelle Frage als letzte Nachricht, fett hervorgehoben durch Struktur/Delimiters
+    messages.append({
+        "role": "user",
+        "content": f"AKTUELLE FRAGE (höchste Priorität):\n{query}\n\nGib einen kurzen Tipp zum nächsten Schritt, der genau diese Frage adressiert."
+    })
+
+    result = llm_client.chat(messages=messages)
+    return llm_client.get_message_content(result)