"""
RAG 工具模块

将检索功能封装为 LangChain Tool，供 Agent 调用。
"""

from langchain_core.tools import tool
from rag_core import LlamaCppEmbedder, QDRANT_URL, QDRANT_API_KEY
from .pipeline import RAGPipeline, RAGLevel


@tool
async def search_knowledge_base(query: str, rag_level: str = "rerank") -> str:
    """在知识库中搜索与查询相关的文档片段。
    
    适用于事实性问题、背景知识查询。
    
    Args:
        query: 查询字符串
        rag_level: 检索级别，可选值：basic（基础向量检索）、rerank（基础检索+重排序）、fusion（RAG-Fusion）
    
    Returns:
        检索到的相关文档内容
    """
    # 初始化嵌入模型
    embedder = LlamaCppEmbedder()
    embeddings = embedder.as_langchain_embeddings()
    
    # 创建 RAG 流水线
    pipeline = RAGPipeline(
        embeddings=embeddings,
        config={
            "rag_level": rag_level,
            "collection_name": "rag_documents",
            "rerank_top_n": 5,
        }
    )
    
    # 执行检索
    try:
        documents = await pipeline.aretrieve(query)
        if not documents:
            return "未找到相关信息。"
        
        # 格式化结果
        context = pipeline.format_context(documents)
        return context
    except Exception as e:
        return f"检索过程中发生错误: {str(e)}"


@tool
def search_knowledge_base_sync(query: str, rag_level: str = "rerank") -> str:
    """同步版本的知识库搜索工具。
    
    适用于事实性问题、背景知识查询。
    
    Args:
        query: 查询字符串
        rag_level: 检索级别，可选值：basic（基础向量检索）、rerank（基础检索+重排序）、fusion（RAG-Fusion）
    
    Returns:
        检索到的相关文档内容
    """
    # 初始化嵌入模型
    embedder = LlamaCppEmbedder()
    embeddings = embedder.as_langchain_embeddings()
    
    # 创建 RAG 流水线
    pipeline = RAGPipeline(
        embeddings=embeddings,
        config={
            "rag_level": rag_level,
            "collection_name": "rag_documents",
            "rerank_top_n": 5,
        }
    )
    
    # 执行检索
    try:
        documents = pipeline.retrieve(query)
        if not documents:
            return "未找到相关信息。"
        
        # 格式化结果
        context = pipeline.format_context(documents)
        return context
    except Exception as e:
        return f"检索过程中发生错误: {str(e)}"