"""
vector_store.py — модуль для работы с векторным хранилищем Qdrant + Ollama.
"""

from __future__ import annotations

import uuid
from typing import List, Tuple

from langchain_ollama import OllamaEmbeddings
from langchain_qdrant import QdrantVectorStore
from langchain_core.documents import Document
from langchain_text_splitters import RecursiveCharacterTextSplitter
from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams

# ── Конфигурация ──────────────────────────────────────────────────────────────
QDRANT_URL        = "http://localhost:6333"
COLLECTION_NAME   = "rag_memory"
EMBEDDING_MODEL   = "nomic-embed-text"
EMBEDDING_DIM     = 768          # размер вектора nomic-embed-text

CHUNK_SIZE        = 500
CHUNK_OVERLAP     = 50


# ── Эмбеддинги через Ollama ───────────────────────────────────────────────────
embeddings = OllamaEmbeddings(model=EMBEDDING_MODEL)


# ── Qdrant-клиент и коллекция ─────────────────────────────────────────────────
def _get_client() -> QdrantClient:
    return QdrantClient(url=QDRANT_URL)


def init_collection() -> None:
    """Создаёт коллекцию в Qdrant, если её ещё нет."""
    client = _get_client()
    existing = [c.name for c in client.get_collections().collections]
    if COLLECTION_NAME not in existing:
        client.create_collection(
            collection_name=COLLECTION_NAME,
            vectors_config=VectorParams(size=EMBEDDING_DIM, distance=Distance.COSINE),
        )
        print(f"[vector_store] Коллекция «{COLLECTION_NAME}» создана.")
    else:
        print(f"[vector_store] Коллекция «{COLLECTION_NAME}» уже существует.")


def _get_store() -> QdrantVectorStore:
    """Возвращает готовый QdrantVectorStore."""
    return QdrantVectorStore(
        client=_get_client(),
        collection_name=COLLECTION_NAME,
        embedding=embeddings,
    )


# ── Чанкинг ───────────────────────────────────────────────────────────────────
def split_text(content: str, title: str = "") -> List[Document]:
    """
    Разбивает текст на чанки с помощью RecursiveCharacterTextSplitter
    и добавляет метаданные (title, chunk_index).
    """
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=CHUNK_SIZE,
        chunk_overlap=CHUNK_OVERLAP,
        separators=["\n\n", "\n", ".", " ", ""],
    )
    chunks = splitter.split_text(content)
    docs = [
        Document(
            page_content=chunk,
            metadata={"title": title, "chunk_index": i, "source": title or "manual"},
        )
        for i, chunk in enumerate(chunks)
    ]
    return docs


# ── Публичный API ─────────────────────────────────────────────────────────────
def add_documents(content: str, title: str = "") -> int:
    """
    Добавляет документ в векторное хранилище.
    Возвращает количество добавленных чанков.
    """
    docs = split_text(content, title)
    store = _get_store()
    store.add_documents(docs)
    return len(docs)


def search(query: str, max_results: int = 5) -> List[Tuple[Document, float]]:
    """
    Семантический поиск с метрикой релевантности.
    Возвращает список (Document, score).
    """
    store = _get_store()
    results = store.similarity_search_with_relevance_scores(query, k=max_results)
    return results