refactor: архитектура сервера — obd/ brain/ api/

- obd/protocol.py — ELM327 стейт-машина AndrOBD (подробные докстринги)
- brain/client.py — LLM-клиент Diagnoser
- brain/prompts.py — системные промпты
- api/db.py — SQLite (sessions + старые таблицы)
- api/scripts.py — сборка диагностических скриптов
- api/parser.py — парсинг ответов ELM327
- api/routes.py — все REST-эндпоинты
- api/config.py — загрузка конфига
- web/app.py — точка входа Flask (упрощена)

Удалено: elmer/elm.py, elmer/elm_proto.py, web/raw_endpoint.py

brain/client.py

@@ -0,0 +1,62 @@
+"""
+brain/client.py — LLM-клиент для диагностики авто.
+
+Отправляет запросы к OpenAI-совместимому API (api.aillm.ru).
+Используется сервером для анализа данных диагностики.
+
+## Использование
+    from brain.client import Diagnoser
+    d = Diagnoser(api_key="sk-...", model="gpt-oss-120b")
+    answer = d.diagnose(system_prompt, user_prompt)
+
+## Модель
+    gpt-oss-120b — основная (через api.aillm.ru)
+    qwen3-6-27b-fp8 — быстрая (но CoT leak bug)
+"""
+
+import requests
+
+DEFAULT_BASE = "https://api.aillm.ru/v1"
+DEFAULT_MODEL = "gpt-oss-20b"
+
+
+class Diagnoser:
+    """Отправляет данные в DeepSeek и возвращает диагноз."""
+
+    def __init__(self, api_key: str, model: str = DEFAULT_MODEL, base_url: str = DEFAULT_BASE):
+        self.api_key = api_key
+        self.model = model
+        self.base_url = base_url.rstrip("/")
+
+    def ask(self, messages: list[dict]) -> str:
+        """Отправляет сообщения в DeepSeek, возвращает текст ответа."""
+        resp = requests.post(
+            f"{self.base_url}/chat/completions",
+            headers={
+                "Authorization": f"Bearer {self.api_key}",
+                "Content-Type": "application/json",
+            },
+            json={
+                "model": self.model,
+                "messages": messages,
+                "temperature": 0.3,  # пониже — меньше фантазий
+                "max_tokens": 4096,
+            },
+            timeout=120,  # api.aillm.ru бывает медленным
+        )
+        resp.raise_for_status()
+        data = resp.json()
+        return data["choices"][0]["message"]["content"]
+
+    def diagnose(
+        self,
+        system: str,
+        user_prompt: str,
+        history: list[dict] | None = None,
+    ) -> str:
+        """Полный цикл: system + история + user_prompt → ответ."""
+        messages = [{"role": "system", "content": system}]
+        if history:
+            messages.extend(history)
+        messages.append({"role": "user", "content": user_prompt})
+        return self.ask(messages)

brain/prompts.py

@@ -0,0 +1,87 @@
+"""
+brain/prompts.py — промпты для LLM.
+
+SYSTEM_PROMPT — системный промпт для диагностики (10 правил).
+Используется в api/routes.py при формировании запроса к LLM.
+"""
+
+SYSTEM_PROMPT = """Ты — эксперт по диагностике автомобилей с 20-летним опытом. Ты анализируешь коды ошибок OBD2 и параметры ЭБУ и даёшь ГЛУБОКИЙ, РАЗВЁРНУТЫЙ анализ.
+
+ПРАВИЛА ОТВЕТА:
+1. НЕ ограничивайся кратким резюме — дай ПОЛНЫЙ анализ каждой ошибки и каждого параметра.
+2. Для каждой ошибки объясни: что она значит, ВСЕ возможные причины (от частых к редким), какие параметры подтверждают/опровергают каждую версию.
+3. Анализируй ВЗАИМОСВЯЗИ между ошибками и параметрами — могут ли они иметь общую причину?
+4. Указывай степень уверенности в процентах для КАЖДОГО вывода.
+5. Если данных недостаточно — перечисли КОНКРЕТНЫЕ PID'ы, которые нужно считать дополнительно, и объясни почему.
+6. Предлагай план действий: что проверить СНАЧАЛА (самое вероятное и дешёвое), что ПОТОМ.
+7. Для каждого действия объясняй: КАК проверить, на ЧТО смотреть, какие значения считать нормой/отклонением.
+8. Добавляй секцию «Если не поможет» — план Б для каждого пункта.
+9. НИКОГДА не давай категоричных команд «меняй деталь X» без 100% уверенности. Пиши «проверь X перед заменой Y».
+10. Пиши на русском языке, доступно, но ТЕХНИЧЕСКИ ТОЧНО. Используй таблицы где уместно.
+
+ФОРМАТ ОТВЕТА:
+## Диагноз (развёрнутый)
+(полный анализ ситуации, 3-5 абзацев)
+
+## Анализ ошибок
+| Код | Описание | Вероятные причины | Подтверждающие параметры | Уверенность |
+|-----|----------|-------------------|--------------------------|-------------|
+...
+
+## Анализ параметров
+| Параметр | Значение | Норма | Отклонение | На что влияет |
+|----------|----------|-------|------------|---------------|
+...
+
+## Взаимосвязи
+(как ошибки и параметры связаны между собой)
+
+## План действий (по приоритету)
+### 1. Проверить ... (самое вероятное)
+- КАК проверить: ...
+- На что смотреть: ...
+- Норма: ...
+
+### 2. Если не помогло — проверить ...
+...
+
+## Каких данных не хватает
+- PID XX (название) — потому что ...
+- ...
+
+## Степень уверенности
+- Версия A: ~XX%
+- Версия B: ~XX%
+- Версия C: ~XX%"""
+
+
+def build_user_prompt(
+    vin: str,
+    dtc_codes: list[dict],
+    parameters: list[dict],
+    car_info: dict | None = None,
+) -> str:
+    """Собирает промпт пользователя из данных ЭБУ."""
+
+    parts = [f"## Данные диагностики\n"]
+    parts.append(f"**VIN:** {vin}")
+
+    if car_info:
+        parts.append(f"**Автомобиль:** {car_info.get('make', '?')} {car_info.get('model', '?')} "
+                      f"({car_info.get('year', '?')}), двигатель: {car_info.get('engine', '?')}")
+
+    if dtc_codes:
+        parts.append("\n### Коды ошибок")
+        for dtc in dtc_codes:
+            parts.append(f"- **{dtc['code']}** ({dtc.get('status', 'stored')}): {dtc.get('description', '')}")
+
+    if parameters:
+        parts.append("\n### Параметры ЭБУ")
+        for p in parameters:
+            parts.append(f"- {p['name']} ({p['pid_code']}): {p['value']} {p['unit']}")
+
+    parts.append("\n## Запрос")
+    parts.append("Дай диагноз на основе этих данных. Если данных недостаточно — скажи, "
+                 "какие параметры нужно ещё считать и какие действия выполнить водителю.")
+
+    return "\n".join(parts)