edit analysis

analysis.py

@@ -3,7 +3,8 @@ import json
 from prompts import PRECEDENT_ANALYSIS_TEMPLATE
 from enum import Enum
 from anthropic import Anthropic
-from llama_index.llms.openai import OpenAI
+# from llama_index.llms.openai import OpenAI
+from openai import OpenAI
 from llama_index.core.llms import ChatMessage
 from config import embed_model, Settings, openai_api_key, anthropic_api_key
 
@@ -28,7 +29,7 @@ class LLMAnalyzer:
         self.model_name = model_name
 
         if provider == ModelProvider.OPENAI:
-            self.client = OpenAI(model=model_name)
+            self.client = OpenAI()
         elif provider == ModelProvider.ANTHROPIC:
             # Додаємо API ключ при ініціалізації
             self.client = Anthropic(api_key=anthropic_api_key)
@@ -42,12 +43,6 @@ class LLMAnalyzer:
             return await self._analyze_with_anthropic(prompt, response_schema)
 
     async def _analyze_with_openai(self, prompt: str, response_schema: dict) -> str:
-        messages = [
-            ChatMessage(role="system",
-                        content="Ти - кваліфікований юрист-аналітик, експерт з правових позицій Верховного Суду."),
-            ChatMessage(role="user", content=prompt)
-        ]
-
         # Правильний формат для response_format
         response_format = {
             "type": "json_schema",
@@ -57,13 +52,34 @@ class LLMAnalyzer:
             }
         }
 
-        response = self.client.chat(
-            messages=messages,
+        response = self.client.chat.completions.create(
+            model=self.model_name,
+            messages=[
+                {
+                    "role": "system",
+                    "content": [
+                        {
+                            "type": "text",
+                            "text": "Ти - кваліфікований юрист-аналітик, експерт з правових позицій Верховного Суду."
+                        }
+                    ]
+                },
+                {
+                    "role": "user",
+                    "content": [
+                        {
+                            "type": "text",
+                            "text": prompt
+                        }
+                    ]
+                }
+            ],
             response_format=response_format,
             temperature=0,
             max_tokens=4096
         )
-        return response.message.content
+
+        return response.choices[0].message.content
 
     async def _analyze_with_anthropic(self, prompt: str, response_schema: dict) -> str:
         response = self.client.messages.create(  # Прибрали await