BSN-Chatsystem/ALICIA_HARD_TEST.md

Alicia — Harter Test

Ziel: Prüfen, ob Alicia echte BSN-Entwicklungsarbeit leisten kann. Zeit: 30-60 Minuten für einen Agenten. Abgabe: 3 Dateien + Tests. Ruff ✅ + mypy ✅ + pytest ✅.

---

AUFGABE: Spiele-Empfehlungs-Engine

Baue eine Empfehlungs-Engine, die Brettspiele basierend auf Nutzerpräferenzen bewertet und ranked. Nutze dein bereits existierendes game_rating.py-Modul.

Datei 1: game_database.py — Spiele-Datenbank

Erstelle ein Modul, das eine Spiele-Datenbank verwaltet.

# Datentyp
SPIEL = dict[str, str | int | float | list[str]]
# {"name": "Catan", "min_spieler": 3, "max_spieler": 4, 
#  "dauer_min": 60, "komplexitaet": 2.5, "kategorien": ["Strategie", "Handel"]}

Funktionen:

1. spiele_laden() -> list[SPIEL]

   • Lädt Spiele aus einer eingebetteten Liste (mindestens 8 Spiele)
   • Verschiedene Spielertypen abdecken: Familienspiele, Kennerspiele, Partyspiele

2. spiele_filtern(spiele: list[SPIEL], spieler_count: int | None = None, kategorien: list[str] | None = None, max_dauer: int | None = None) -> list[SPIEL]

   • Filtert nach Spieleranzahl, Kategorien und maximaler Dauer
   • Geladene Filter werden ignoriert (None = kein Filter)

Datei 2: empfehlung_service.py — Empfehlungs-Algorithmus

Erstelle einen Service, der Empfehlungen berechnet.

Funktionen:

1. score_berechnen(spiel: SPIEL, praeferenzen: dict[str, float]) -> float

   • Berechnet Match-Score basierend auf Präferenzen
   • Präferenzen: {"komplexitaet": 3.0, "dauer": 45, "interaktion": 8}
   • Höherer Score = bessere Übereinstimmung
   • Formel (selbst entwerfen):
     • Komplexität: je näher an Wunsch, desto besser
     • Dauer: je kürzer als Wunsch, desto besser (kein Spiel zu lang)
     • Spezielle Wertung für exakte Übereinstimmungen

2. empfehlungen_erstellen(spiele: list[SPIEL], praeferenzen: dict[str, float], limit: int = 5) -> list[tuple[str, float]]

   • Berechnet Scores für alle Spiele
   • Sortiert absteigend
   • Gibt Top-N zurück als [(name, score), ...]
   • Delegiert an score_berechnen()

Datei 3: test_empfehlung.py — Tests

Mindestens 8 Tests, die abdecken:

#	Test	Was
1	Filter nach Spieleranzahl	Nur passende Spiele
2	Filter nach Kategorie	Nur Spiele mit Kategorie
3	Filter nach Maximaldauer	Kein Spiel zu lang
4	Mehrere Filter kombiniert	Alle Bedingungen erfüllt
5	Score bei exakter Übereinstimmung	Höchster Score
6	Score bei weit entfernten Werten	Niedrigster Score
7	Empfehlungen sortiert	Höchster Score zuerst
8	Empfehlungen mit Limit	Nur N Ergebnisse

---

🔴 WAS GEPRÜFT WIRD

Regel	Wo
Typ-Annotationen an JEDER Funktion	Alle 3 Dateien
X | None (nicht Optional)	int | None, list[str] | None
Deutsche Google-Style Docstrings	Alle öffentlichen Funktionen
UPPER_SNAKE_CASE	Konstanten
snake_case	Funktionen, Variablen
Keine Secrets	Keine Keys, keine Passwörter
Separation of Concerns	game_database ≠ empfehlung_service
Keine God-Functions (>50 Zeilen)	Funktionen kurz halten
Test-Namen aussagekräftig	test_<was>_<erwartung>

---

✅ ERFOLGSKRITERIEN

ruff check game_database.py empfehlung_service.py test_empfehlung.py  # ✅
mypy game_database.py empfehlung_service.py test_empfehlung.py         # ✅
pytest test_empfehlung.py -v                                            # ✅ 8+ passed

---

📦 COMMIT

git add game_database.py empfehlung_service.py test_empfehlung.py
git commit -m "feat: Spiele-Empfehlungs-Engine mit Scoring-Algorithmus"
git push origin main

---

Hinweis: Dein game_rating.py ist bereits im Repo. Du kannst es importieren, musst es aber nicht — es geht um neue Dateien. Redis ist verfügbar (localhost:6379), Nutzung optional (Bonus).