You are an expert summarizer. Your task is to summarize the provided meeting transcript.
Crucially, you must exclude any mention of the following topics: {negation_keywords}.
Ensure the summary is concise and maintains the core message, without exceeding 500 characters.
The output format should be a single paragraph.

Meeting Transcript:
---
{document}
---

Summary:

You are an expert summarizer. Your task is to summarize meeting transcripts, strictly excluding specified topics.

---
Example 1:
Meeting Transcript: "本日、新製品Xの販売戦略について議論しました。特にマーケティング予算の配分と広告費用が主要な議題でした。しかし、技術的な課題や開発スケジュールも簡単に触れられました。来週までに予算案を固めます。"
Negation Keywords: ["予算", "費用"]
Summary: "新製品Xの販売戦略について議論が行われました。主な議題は広告戦略と技術的な課題、開発スケジュールでした。"
---
Example 2:
Meeting Transcript: "今日の会議では、採用プロセスとチームAの人員配置について話し合いました。市場動向分析の結果と、競合他社の戦略も共有されました。特に、新規プロジェクトの担当者配置が急務です。品質改善策も重要なテーマでした。"
Negation Keywords: ["人事", "人員配置"]
Summary: "本日の会議では、市場動向分析の結果、競合他社の戦略、新規プロジェクトの担当者選定、および品質改善策が主要な議題となりました。"
---

Now, your turn:
Meeting Transcript:
---
{document}
---
Negation Keywords: {negation_keywords}
Summary:

You are an advanced summarization AI. Your goal is to provide a concise summary of the meeting transcript, while strictly adhering to negation constraints. Follow these steps:

1.  **Extract Key Points:** Identify all major discussion points and decisions from the transcript.

2.  **Filter Negations:** Review the extracted key points. Identify and remove any points that directly or indirectly relate to the provided negation keywords: {negation_keywords}.

3.  **Synthesize Summary:** Construct a concise summary (max 500 characters, paragraph format) using only the filtered key points. Ensure the summary flows naturally and accurately reflects the remaining content.

4.  **Self-Correction/Verification:** Double-check the final summary. Does it contain *any* of the negation keywords or topics? If so, revise the summary until all negation conditions are met.

Meeting Transcript:
---
{document}
---

Think step-by-step:

1. Key Points:

2. Filtered Points (after negation removal for {negation_keywords}):

3. Final Summary:

import re
import json

def evaluate_summary(generated_output_json: str, expected_negations: list, original_document: str, max_length: int = 500) -> dict:
    """
    LLMが生成した要約を自動評価する擬似コード。
    """
    try:
        output = json.loads(generated_output_json)
        summary = output.get("summary", "")

        # 自動評価ではviolationsはモデルが出力したものを検証する

        model_reported_violations = output.get("violations", []) 
    except json.JSONDecodeError:
        return {"score": 0, "feedback": "JSONフォーマットが不正です。", "details": {}}

    score = 100 # 初期スコア
    feedback = []
    details = {}

    # 1. 否定条件の遵守 (正規表現/キーワードチェック)

    detected_violations = []
    for keyword in expected_negations:

        # 大文字小文字を区別せず、単語全体または部分一致をチェック

        if re.search(r'\b' + re.escape(keyword) + r'\b', summary, re.IGNORECASE) or \
           re.search(re.escape(keyword), summary, re.IGNORECASE):
            detected_violations.append(keyword)
            score -= 40 # 重大な違反
            feedback.append(f"要約に禁止キーワード '{keyword}' が含まれています。")

    details["detected_violations_by_evaluator"] = detected_violations
    details["model_reported_violations"] = model_reported_violations

    # モデルが報告した違反と評価者が検出した違反の整合性チェック


    # 理想的にはこれらは一致すべきだが、モデルが自身の違反をすべて検出できない場合もある

    if set(detected_violations) != set(model_reported_violations):
        if detected_violations and not model_reported_violations:
            feedback.append("モデルは違反を検出したが、自身では報告していません。")
            score -= 10
        elif model_reported_violations and not detected_violations:
            feedback.append("モデルは違反を報告しましたが、評価者側では検出されませんでした。（誤検知の可能性）")
            score -= 5 # 誤検知も望ましくない

    # 2. 要約の品質 (簡潔さ/文字数)

    if not summary:
        score = 0
        feedback.append("要約が空です。")
    elif len(summary) > max_length:
        score -= 15
        feedback.append(f"要約が長すぎます ({len(summary)}文字、最大{max_length}文字)。")

    details["summary_length"] = len(summary)

    # 3. 関連性の維持 (関数評価 - 擬似的な意味的類似度チェック)


    # 実際の評価では、Embedding比較や別のLLMによる評価が必要


    # ここでは簡略化のため、元のドキュメントから主要な非否定キーワードが残っているかをチェック

    relevant_keywords = [kw for kw in original_document.split() if kw not in expected_negations] # 簡易的な例
    summary_contains_relevant = any(re.search(r'\b' + re.escape(kw) + r'\b', summary, re.IGNORECASE) for kw in relevant_keywords[:5]) # 上位5件のみ
    if not summary_contains_relevant and len(summary) > 50: # 要約が短い場合は例外
        score -= 20
        feedback.append("要約が元のドキュメントの主要な関連情報を十分に含んでいない可能性があります。")

    details["relevance_check"] = summary_contains_relevant

    # 最終スコア調整

    score = max(0, score) # スコアは0未満にならない

    return {
        "score": score,
        "feedback": feedback if feedback else ["良好な要約です。"],
        "details": details
    }

# 使用例


# generated_output = '{"summary": "会議では新製品Xの販売戦略が議論され、広告戦略や技術的課題が触れられました。","violations":[]}'


# original_doc = "本日、新製品Xの販売戦略について議論しました。特にマーケティング予算の配分と広告費用が主要な議題でした。しかし、技術的な課題や開発スケジュールも簡単に触れられました。来週までに予算案を固めます。"


# neg_keywords = ["予算", "費用"]


# result = evaluate_summary(generated_output, neg_keywords, original_doc)


# print(result)