FM
[fm@void]
>

AIDevs4 s01e02: findhim

tags: AI, LLM, Python, aidev4
10 marca 2026

Zadanie: znajdź podejrzanego na podstawie danych lokalizacji

Zadanie

Musisz namierzyć, która z podejrzanych osób z poprzedniego zadania przebywała blisko jednej z elektrowni atomowych. Musisz także ustalić jej poziom dostępu oraz informację koło której elektrowni widziano tę osobę. Zebrane tak dane prześlij do /verify. Nazwa zadania to findhim.

Skąd wziąć dane?

  1. Lista elektrowni + ich kody

    • Pobierz JSON z listą elektrowni (wraz z kodami identyfikacyjnymi) z:
      • https://hub.ag3nts.org/data/tutaj-twój-klucz/findhim_locations.json

  2. Gdzie widziano konkretną osobę (lokalizacje)

    • Endpoint: https://hub.ag3nts.org/api/location
    • Metoda: POST
    • Body: raw JSON (nie form-data!)
    • Zawsze wysyłasz pole apikey oraz dane osoby (name, surname)
    • Odpowiedź: lista współrzędnych (koordynatów), w których daną osobę widziano.

    Przykładowy payload:

    {
  "apikey": "tutaj-twój-klucz",
  "name": "Jan",
  "surname": "Kowalski"
}

  3. Jaki poziom dostępu ma wskazana osoba

    • Endpoint: https://hub.ag3nts.org/api/accesslevel
    • Metoda: POST
    • Body: raw JSON
    • Wymagane: apikey, name, surname oraz birthYear (rok urodzenia bierzesz z danych z poprzedniego zadania, np. z CSV)

    Przykładowy payload:

    {
  "apikey": "tutaj-twój-klucz",
  "name": "Jan",
  "surname": "Kowalski",
  "birthYear": 1987
}

Co masz zrobić krok po kroku?

Dla każdej podejrzanej osoby:

  1. Pobierz listę jej lokalizacji z /api/location.
  2. Porównaj otrzymane koordynaty z koordynatami elektrowni z findhim_locations.json.
  3. Jeśli lokalizacja jest bardzo blisko jednej z elektrowni — masz kandydata.
  4. Dla tej osoby pobierz accessLevel z /api/accesslevel.
  5. Zidentyfikuj kod elektrowni (format: PWR0000PL) i przygotuj raport.

Jak wysłać odpowiedź?

Wysyłasz ją metodą POST na https://hub.ag3nts.org/verify.

Nazwa zadania to: findhim.

Pole answer to pojedynczy obiekt zawierający:

  • name – imię podejrzanego
  • surname – nazwisko podejrzanego
  • accessLevel – poziom dostępu z /api/accesslevel
  • powerPlant – kod elektrowni z findhim_locations.json (np. PWR1234PL)

Przykład JSON do wysłania na /verify:

{
  "apikey": "tutaj-twój-klucz",
  "task": "findhim",
  "answer": {
    "name": "Jan",
    "surname": "Kowalski",
    "accessLevel": 3,
    "powerPlant": "PWR1234PL"
  }
}

Nagroda

Jeśli Twoja odpowiedź będzie poprawna, Hub odeśle Ci flagę w formacie {FLG:JAKIES_SLOWO} - flagę należy wpisać pod adresem: https://hub.ag3nts.org/ (wejdź na tą stronę w swojej przeglądarce, zaloguj się kontem którym robiłeś zakup kursu i wpisz flagę w odpowiednie pole na stronie).

Wskazówki

  • Dane wejściowe z poprzedniego zadania — lista podejrzanych pochodzi z zadania S01E01. Potrzebujesz imienia, nazwiska i roku urodzenia każdej osoby — warto zachować wynik S01E01 w formie nadającej się do ponownego użycia. Pamiętaj że chodzi tylko o osoby które wysyłałeś jako podejrzanych do Hubu.
  • Obliczanie odległości geograficznej — API zwraca współrzędne (latitude/longitude). Żeby sprawdzić, czy dana lokalizacja jest "bardzo blisko" elektrowni, użyj wzoru na odległość na kuli ziemskiej (np. Haversine). LLM pomoże Ci w napisaniu takiej funkcji. Szukamy osoby która była najbliżej którejś elektrowni.
  • Wykorzystaj Function Calling — to technika, w której model LLM zamiast odpowiadać tekstem wywołuje zdefiniowane przez Ciebie funkcje (narzędzia). Opisujesz narzędzia w formacie JSON Schema (nazwa, opis, parametry), a model sam decyduje, które wywołać i z jakimi argumentami. Ty obsługujesz wywołania i zwracasz wyniki z powrotem do modelu. W tym zadaniu Function Calling sprawdza się szczególnie dobrze: agent może samodzielnie iterować przez listę podejrzanych, odpytywać kolejne endpointy i wysłać gotową odpowiedź — bez sztywnego kodowania kolejności kroków w kodzie.
  • Format birthYear — endpoint /api/accesslevel oczekuje roku urodzenia jako liczby całkowitej (np. 1987). Jeśli Twoje dane zawierają pełną datę (np. "1987-08-07"), pamiętaj o wyciągnięciu samego roku przed wysłaniem żądania.
  • Zabezpieczenie pętli agenta — jeśli stosujesz podejście agentowe z Function Calling, ustal maksymalną liczbę iteracji (np. 10-15), żeby uchronić się przed nieskończoną pętlą w razie błędu modelu.
  • Wybór modelu - jeśli Twój agent myli się lub pracuje w kółko nie podając prawidłowej odpowiedzi, spróbuj użyć mocniejszego modelu lub lepiej sformułować prompt systemowy. W tym zadaniu dobrze sprawdza się na przykład model gpt-5-mini lub jego mocniejsza wersja gpt-5.
loading