# 完整 RAG 跑步教练智能助手（最终版 · 无404错误）
from supabase import create_client
from openai import OpenAI
from dotenv import load_dotenv
import os
from FlagEmbedding import BGEM3FlagModel  # 本地免费向量模型（必装）

# 加载环境配置
load_dotenv()

# 初始化客户端
supabase = create_client(
    os.getenv("SUPABASE_URL"),
    os.getenv("SUPABASE_KEY")
)

ai = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com"
)

# ===================== 修复核心：本地向量模型 =====================
# 加载一次，全局使用
model = BGEM3FlagModel("BAAI/bge-m3", use_fp16=False)

def embed(text: str) -> list[float]:
    # 本地生成向量，不调用任何 API，永远不会 404！
    embeddings = model.encode([text], max_length=8192)
    return embeddings["dense_vecs"][0].tolist()

# ===================== 以下代码不变 =====================
# 2. 检索相关资料
def retrieve(query: str, top_k: int = 3) -> list[str]:
    vec = embed(query)
    res = supabase.rpc("match_documents", {
        "query_embedding": vec,
        "match_count": top_k,
        "match_threshold": 0.5
    }).execute()
    return [r["content"] for r in res.data]

# 3. 构建 Prompt
def build_prompt(contexts: list[str], query: str) -> tuple[str, str]:
    context_text = "\n".join(f"【资料 {i+1}】{c}" for i, c in enumerate(contexts))
    system = (
        "你是一位专业跑步教练。请严格基于下方「参考资料」回答用户问题。\n"
        "如果资料中没有答案，请说「我的知识库中暂时没有这方面的信息」，不要自行发挥。\n\n"
        f"参考资料：\n{context_text}"
    )
    return system, query

# 4. 生成回答
def generate(system: str, query: str) -> str:
    res = ai.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": system},
            {"role": "user", "content": query},
        ]
    )
    return res.choices[0].message.content

# 5. 完整 RAG 管道
def rag_query(query: str, top_k: int = 3) -> dict:
    """完整 RAG 管道: R → A → G"""
    contexts = retrieve(query, top_k)
    if not contexts:
        return {"answer": "知识库中没有相关内容", "contexts": []}

    system, user = build_prompt(contexts, query)
    answer = generate(system, user)

    return {
        "answer": answer,
        "contexts": contexts,
    }

# ==================== 测试运行 ====================
if __name__ == "__main__":
    result = rag_query("E 配速跑心率应该控制在多少")
    print("===== 回答 =====")
    print(result["answer"])
    print("\n--- 资料来源 ---")
    for c in result["contexts"]:
        print(f"· {c[:60]}...")