#!/usr/bin/env python3
"""
RAG interactif – version alignée sur l'index
-------------------------------------------
• Utilise corpus.idx + corpus.meta.json pour connaître l'ordre exact des passages.
• Recharge **uniquement** les textes correspondants en gardant cet ordre – ainsi, plus
  d'erreur d'index out‑of‑range quelle que soit la découpe.
• Recherche FAISS (top‑k=4) + génération via mistral7b-fast (Ollama).
"""

import json, readline, re
from pathlib import Path
from collections import defaultdict

import faiss, numpy as np, requests
from FlagEmbedding import BGEM3FlagModel
from rich import print

ROOT = Path("Fiches")                # dossier racine des fiches
K    = 4                               # nombre de passages remis au LLM

# ------------------ utilitaires de découpe identiques à l'index -------------
CHUNK, OVERLAP = 800, 100              # garder cohérent avec index.py

def split(text: str):
    sents = re.split(r"(?<=[.!?]) +", text)
    buf, out = [], []
    for s in sents:
        buf.append(s)
        if len(" ".join(buf).split()) > CHUNK:
            out.append(" ".join(buf))
            buf = buf[-OVERLAP:]
    if buf:
        out.append(" ".join(buf))
    return out

# ------------------- charger meta et reconstruire passages ------------------
meta_path = Path("corpus.meta.json")
if not meta_path.exists():
    raise SystemExit("corpus.meta.json introuvable – lancez d'abord index.py")
meta = json.load(meta_path.open())

# mapping (file, part) -> chunk text
cache: dict[tuple[str, int], str] = {}
for fp in sorted(ROOT.rglob("*")):
    if fp.suffix.lower() not in {".md", ".markdown", ".txt"}:
        continue
    chunks = split(fp.read_text(encoding="utf-8"))
    for i, ch in enumerate(chunks):
        cache[(fp.name, i)] = ch

# reconstruire docs dans le même ordre que l'index ---------------------------
docs = []
for m in meta:
    key = (m["file"], m["part"])
    docs.append(cache.get(key, "[passage manquant]"))

print(f"[dim]Passages rechargés : {len(docs)} (ordre conforme à l'index).[/]")

# ---------------- FAISS + modèle embeddings --------------------------------
idx   = faiss.read_index("corpus.idx")
model = BGEM3FlagModel("BAAI/bge-m3", device="cpu")

# ---------------- boucle interactive ---------------------------------------
print("RAG prêt. Posez vos questions ! (Ctrl‑D pour sortir)")
try:
    while True:
        try:
            q = input("❓ > ").strip()
            if not q:
                continue
        except (EOFError, KeyboardInterrupt):
            print("\nBye."); break

        emb = model.encode([q])
        if isinstance(emb, dict):
            # récupère le 1er ndarray trouvé
            emb = next(v for v in emb.values() if isinstance(v, np.ndarray))
        q_emb = emb[0] / np.linalg.norm(emb[0])

        D, I = idx.search(q_emb.astype("float32").reshape(1, -1), K)
        hits = I[0]

        context = "\n\n".join(docs[int(i)] for i in hits)
        prompt = (
            "<system>Réponds en français, de façon précise, et uniquement à partir du contexte fourni. Si l'information n'est pas dans le contexte, réponds : 'Je ne sais pas'.</system>\n"
            f"<context>{context}</context>\n<user>{q}</user>"
        )

        def ask_llm(p):
            r = requests.post("http://127.0.0.1:11434/api/generate", json={
                "model": "mistral7b-fast",
                "prompt": p,
                "stream": False,
                "options": {"temperature": 0.0, "num_predict": 512}
            }, timeout=300)
            return r.json()["response"]

        print("\n[bold]Réponse :[/]")
        print(ask_llm(prompt))

        print("\n[dim]--- contexte utilisé ---[/]")
        for rank, idx_id in enumerate(hits, 1):
            m = meta[int(idx_id)]
            print(f"[{rank}] {m['file']} · part {m['part']} → {docs[int(idx_id)][:120]}…")
except Exception as e:
    print("[red]Erreur :", e)