"""
RAG 工具模块（完全异步）

将检索功能封装为 LangChain Tool，供 Agent 调用。
采用固定流水线：多路改写 → 并行检索 → RRF 融合 → 重排序 → 返回父文档。

默认使用混合检索（稠密+BM25稀疏）+ 父子文档模式。
"""
from typing import Callable, Optional
from langchain_core.tools import tool
from langchain_core.language_models import BaseLanguageModel
from langchain_core.retrievers import BaseRetriever
from ..rag.pipeline import RAGPipeline, create_rag_pipeline


def create_rag_tool(
    retriever: Optional[BaseRetriever] = None,
    llm: Optional[BaseLanguageModel] = "default_small",
    num_queries: int = 3,
    rerank_top_n: int = 5,
    collection_name: str = "rag_documents",
) -> Callable:
    """
    创建一个配置好的 RAG 检索工具（完全异步）。
    
    默认使用混合检索（稠密+BM25稀疏）+ 父子文档模式。
    
    Args:
        retriever: 基础检索器对象（可选，不提供则自动创建）
        llm: 用于生成多路查询的语言模型。
             - "default_small": (默认) 使用小模型（本地 + DeepSeek）
             - None / False: 不做查询改写
             - BaseLanguageModel 实例: 自定义模型
        num_queries: 生成的查询变体数量
        rerank_top_n: 最终返回的文档数量
        collection_name: Qdrant 集合名称
    
    Returns:
        Async LangChain Tool 函数
    """
    pipeline = RAGPipeline(
        retriever=retriever,
        llm=llm,
        num_queries=num_queries,
        rerank_top_n=rerank_top_n,
        collection_name=collection_name,
    )

    @tool
    async def search_knowledge_base(query: str) -> str:
        """
        在知识库中搜索与查询相关的文档片段（完全异步）。
        
        使用混合检索（稠密向量语义 + BM25 关键词）+ 父子文档模式，
        检索效果最优。
        
        Args:
            query: 用户提出的问题或查询字符串
        
        Returns:
            格式化后的相关文档内容
        """
        try:
            documents = await pipeline.aretrieve(query)
            if not documents:
                return f"在知识库 '{collection_name}' 中未找到与 '{query}' 相关的信息。"
            
            context = pipeline.format_context(documents)
            return context
        except Exception as e:
            return f"检索过程中发生错误: {str(e)}"
    
    return search_knowledge_base