# 安装依赖：pip install supabase openai python-dotenv
from supabase import create_client
from openai import OpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

# 初始化 Supabase 客户端
supabase = create_client(
    os.getenv("SUPABASE_URL"),
    os.getenv("SUPABASE_KEY")
)

# 初始化 DeepSeek 客户端（兼容 OpenAI 接口）
ai = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com"
)

# 生成文本向量（1536维，适配Supabase数据库）
def embed(text: str) -> list[float]:
    res = ai.embeddings.create(
        model="text-embedding-ada-002",
        input=text
    )
    return res.data[0].embedding

# ① 存入文档到知识库
def insert_doc(content: str, metadata: dict = {}):
    vec = embed(content)
    supabase.table("documents").insert({
        "content": content,
        "embedding": vec,
        "metadata": metadata
    }).execute()
    print(f"✅ 已存入：{content[:30]}...")

# ② 语义检索（调用 Supabase RPC 函数）
def search(query: str, top_k: int = 3) -> list[dict]:
    vec = embed(query)
    res = supabase.rpc(
        "match_documents",
        {
            "query_embedding": vec,
            "match_count": top_k,
            "match_threshold": 0.5
        }
    ).execute()
    return res.data  # 返回格式：[{id, content, similarity}, ...]

# ------------------- 测试代码 -------------------
if __name__ == "__main__":
    # 插入测试文档
    insert_doc("E 配速跑是有氧基础训练，强度低、时间长")
    
    # 执行语义检索
    results = search("心肺训练怎么做")
    
    # 打印检索结果
    for r in results:
        print(f"{r['similarity']:.3f}  {r['content']}")