Metadata-Version: 2.4
Name: mf-ardon
Version: 4.0.0
Summary: MF Ardon v4.0 — Cloud SDK for Zero-Forgetting AI Memory (port 8001) and 1C/E-Commerce Matrix Optimization (port 8000)
Author: Timur Tursunov
License: Apache-2.0
Project-URL: Homepage, https://github.com/discordworck-cmd/Ardon-LLm
Requires-Python: >=3.8
Description-Content-Type: text/markdown
Requires-Dist: numpy>=1.21.0

# `mf-ardon` — Официальная Python-библиотека (v4.0)

Универсальная клиентская библиотека для подключения к облачному ядру **MF Ardon** в 3 строки кода:
1. **Долгосрочная память для ИИ (`ardon.Memory`)** — обучение пустой модели на ваших `.txt` файлах и конспектах за секунды без забывания прошлых тем (порт `8001`).
2. **Оптимизация цен и товарных матриц 1С (`ardon.Commerce`)** — расчёт оптимальных цен и разморозка оборотного капитала со склада (порт `8000`).
3. **Оптимизатор для PyTorch (`ardon.ArdonTorchOptimizer`)** — подключение к собственной нейросети вместо стандартного оптимизатора.

## 1. Установка одной командой

```bash
pip install mf-ardon
```

*(Или напрямую из папки с библиотекой: `pip install .`)*

Чтобы в любой момент вывести встроенную шпаргалку прямо в терминале, выполните:

```bash
ardon-help
```

или внутри Python:

```python
import mf_ardon as ardon
ardon.tutorial()
```

## 2. Как получить или продлить API-ключ

Все вычисления выполняются на защищённом сервере MF Ardon. Для работы библиотеки требуется активный персональный ключ (`api_key`).

Если вы запустите код **без ключа** или ваш **тестовый ключ истёк (умер)**, библиотека автоматически остановит выполнение и покажет уведомление с инструкцией:

* **Контакт для выдачи и продления ключей (WhatsApp / Telegram / Телефон):** `+996 506 310 444` (Тимур Турсунов)
* **Официальный репозиторий:** [https://github.com/discordworck-cmd/Ardon-LLm](https://www.google.com/search?q=https://github.com/discordworck-cmd/Ardon-LLm)

Вы можете передать ключ напрямую в код (`api_key="ВАШ_КЛЮЧ"`) или один раз задать переменную окружения в системе:

```bash
export ARDON_API_KEY="ВАШ_КЛЮЧ"
```

## 3. Как пользоваться библиотекой (3 простых сценария)

### Сценарий А. Обучить ИИ на своих `.txt` файлах и задать вопрос (3 строки)

Положите ваши текстовые файлы или конспекты в папку `my_data` и запустите:

```python
import mf_ardon as ardon

ai = ardon.Memory(api_key="ВАШ_КЛЮЧ")
ai.fit("my_data", epochs=8)  # обучает модель на всех .txt файлах в папке

res = ai.ask("как работает трансформер?")
print("Ответ ИИ:", res["answer"])
print("Связанные понятия:", res["related_concepts"])
```

Если нужно **дообучить модель новому факту прямо на лету** (без переобучения всей базы и без потери старых знаний):

```python
ai.teach("Квантовая механика описывает энергетические уровни электрона.")
```

### Сценарий Б. Рассчитать оптимальные цены и очистить склад для 1С (3 строки)

Названия товаров остаются только на вашем компьютере — на сервер отправляются только обезличенные идентификаторы и числа:

```python
import mf_ardon as ardon

shop = ardon.Commerce(api_key="ВАШ_КЛЮЧ")
report = shop.optimize("1c_client_data.csv")

print("Прирост чистой прибыли (руб/мес):", report["total_monthly_profit_gain"])
print("Разморозка денег со склада (руб):", report["total_freed_capital"])

for item in report["items"]:
    print(item["sku"], item["name"], "->", item["verdict"], "Новая цена:", item["new_price"])
```

### Сценарий В. Подключить внутри своей модели PyTorch

```python
import mf_ardon as ardon

optimizer = ardon.ArdonTorchOptimizer(
    model.parameters(),
    api_key="ВАШ_КЛЮЧ",
    embedding_layer=model.get_input_embeddings(),
    lm_head_layer=model.lm_head,
    lr=0.15,
)

# 1. Пассивное чтение батча токенов
optimizer.observe(input_ids)

# 2. Шаг обучения через сервер ядра
loss = optimizer.step_remote(h_ctx_tensor, context_ids=[1, 4], target_id=12)
```
