// src/main/kotlin/network/RagService.kt

import dev.langchain4j.data.segment.TextSegment
import dev.langchain4j.model.openai.OpenAiChatModel
import dev.langchain4j.model.openai.OpenAiEmbeddingModel
import org.jetbrains.exposed.sql.*
import org.jetbrains.exposed.sql.SqlExpressionBuilder.plus
import org.jetbrains.exposed.sql.transactions.transaction
import java.time.Duration

object RagService {
    // 임베딩 모델 (8081) 및 채팅 모델 (8080) 설정
    private val embeddingModel = OpenAiEmbeddingModel.builder()
        .baseUrl("http://127.0.0.1:8081/v1")
        .apiKey("unused")
        .build()

    private val chatModel = OpenAiChatModel.builder()
        .baseUrl("http://127.0.0.1:8080/v1")
        .apiKey("unused")
        .timeout(Duration.ofSeconds(60))
        .build()

    /**
     * 텍스트를 임베딩하여 H2 DB에 저장합니다.
     */
    fun ingest(text: String, meta: String = "") {
        val embedding = embeddingModel.embed(text).content().vector()

        transaction {
            VectorStoreTable.insert {
                it[content] = text
                it[metadata] = meta
                // 벡터 데이터를 문자열 형태로 저장 (H2 포맷)
                it[VectorStoreTable.embedding] = embedding.joinToString(",", "[", "]")
            }
        }
        println("💾 H2 벡터 저장 완료: ${text.take(15)}...")
    }

    /**
     * 질문과 가장 유사한 정보를 H2에서 검색하여 AI 답변을 생성합니다.
     */
    fun ask(question: String): String {
        val queryVector = embeddingModel.embed(question).content().vector()
        val vectorStr = queryVector.joinToString(",", "[", "]")

        // H2의 VECTOR_COSINE_SIMILARITY 함수를 사용하여 검색
        val context = transaction {
            val query = "SELECT content FROM VECTOR_STORE " +
                    "ORDER BY VECTOR_COSINE_SIMILARITY(embedding, '$vectorStr') DESC " +
                    "LIMIT 3"

            val results = mutableListOf<String>()
            exec(query) { rs ->
                while (rs.next()) {
                    results.add(rs.getString("content"))
                }
            }
            results.joinToString("\n\n")
        }

        val prompt = """
            [참고 정보]
            $context
            
            [질문]
            $question
            
            위 정보를 참고하여 분석 결과를 말해주세요.
        """.trimIndent()

        return chatModel.generate(prompt)
    }
}