"""
Medical Park RAG — Sorgu Sistemi
Herhangi bir kullanici sorusunu alir, en yakin chunk'i bulur.
Benzerlik skoru threshold'un altindaysa cevap uretmez, "dokumanlarda yok" der.

Threshold = 0.55, benchmark.py ile 30 soruluk test setinde belirlendi:
  - 30 sorunun 29'u (%96.7) bu threshold ile dogru siniflandi
  - Pozitif sorular (kafein sorusu haric) min 0.5773, negatif sorular max
    0.5165 skorladi -> aralarinda net bir bosluk var (0.5165-0.5773),
    0.55 bu boslugun ortasina denk geliyor
  - Tek istisna olan "Kafeinin yararlari nelerdir?" sorusu icin kok sebep
    analizi README'de aciklanmistir (chunk ici kelime yogunlugu etkisi)

Kurulum:
    pip install sentence-transformers chromadb

Calistirma:
    python query_system.py
"""

import chromadb
from sentence_transformers import SentenceTransformer

DB_PATH = "./chroma_db"
COLLECTION_NAME = "medicalpark_chunks"
MODEL_NAME = "magibu/embeddingmagibu-200m"
THRESHOLD = 0.55  # benchmark.py sonucuna gore belirlendi, detay: README.md

NO_ANSWER_MESSAGE = "Bu sorunun cevabı dokümanlarımda yer almamaktadır."


class MedicalParkRAG:
    def __init__(self):
        print(f"Model yukleniyor: {MODEL_NAME}")
        self.model = SentenceTransformer(MODEL_NAME, trust_remote_code=True)

        client = chromadb.PersistentClient(path=DB_PATH)
        self.collection = client.get_collection(COLLECTION_NAME)
        print(f"Chroma koleksiyonu hazir: {self.collection.count()} chunk\n")

    def query(self, question: str, threshold: float = THRESHOLD, n_results: int = 3) -> dict:
        """
        Bir soruyu isler. Donen sozluk:
          - answered: True/False (threshold gecildi mi)
          - similarity: en yakin chunk'in cosine similarity skoru
          - message: eger answered=False ise kullaniciya gosterilecek mesaj
          - context: eger answered=True ise LLM'e verilecek chunk metni + kaynaklar
        """
        q_vec = self.model.encode_query(question)
        res = self.collection.query(query_embeddings=[q_vec.tolist()], n_results=n_results)

        top_similarity = 1 - res["distances"][0][0]
        answered = top_similarity >= threshold

        if not answered:
            return {
                "answered": False,
                "similarity": round(top_similarity, 4),
                "message": NO_ANSWER_MESSAGE,
                "context": None,
            }

        # Threshold gecildi -> ilgili chunk'lari (LLM'e context olarak gidecek) hazirla
        sources = []
        for i in range(len(res["distances"][0])):
            sources.append({
                "chunk_text": res["documents"][0][i],
                "title": res["metadatas"][0][i]["title"],
                "url": res["metadatas"][0][i]["url"],
                "similarity": round(1 - res["distances"][0][i], 4),
            })

        return {
            "answered": True,
            "similarity": round(top_similarity, 4),
            "message": None,
            "context": sources,
        }


def main():
    rag = MedicalParkRAG()

    # Hizli demo: hem cevaplanacak hem reddedilecek birer ornek soru
    demo_questions = [
        "Dış kulak iltihabı neden olur?",          # cevaplanmali (pozitif ornek)
        "Vitiligo hastalığının belirtileri nelerdir?",  # reddedilmeli (negatif ornek)
    ]

    for q in demo_questions:
        print(f"\nSoru: {q}")
        result = rag.query(q)
        print(f"Skor: {result['similarity']}")
        if result["answered"]:
            print(f"[CEVAPLANDI] En iyi kaynak: {result['context'][0]['title']}")
            print(f"  Chunk (ilk 150 karakter): {result['context'][0]['chunk_text'][:150]}...")
        else:
            print(f"[REDDEDILDI] {result['message']}")


if __name__ == "__main__":
    main()