#!/usr/bin/env python3
"""
完整的 RAG Pipeline 测试
测试从查询改写 → 检索 → RRF融合 → 重排序 → 格式化输出的整个流程
"""

import asyncio
from backend.app.rag.pipeline import RAGPipeline, create_rag_pipeline
from backend.app.rag.tools import create_rag_tool


async def test_rag_pipeline_direct():
    """测试 1: 直接使用 RAGPipeline（默认用小模型做查询改写）"""
    print("="*80)
    print("测试 1: 直接使用 RAGPipeline（默认用小模型做查询改写）")
    print("="*80)
    
    # 创建 pipeline（默认用小模型）
    pipeline = create_rag_pipeline(
        collection_name="rag_documents",
        num_queries=3,
        rerank_top_n=5
    )
    
    query = "吕布的经历"
    
    print(f"\n用户查询: {query}")
    print("-" * 80)
    
    # 执行检索
    docs = await pipeline.aretrieve(query)
    
    if docs:
        print(f"\n✓ 找到 {len(docs)} 个相关文档")
        print("-" * 80)
        
        for i, doc in enumerate(docs, 1):
            print(f"\n{i}. 来源: {doc.metadata.get('source', 'unknown')}")
            print(f"   内容:\n{doc.page_content}")
            print("-" * 80)
        
        # 格式化输出
        print("\n" + "="*80)
        print("格式化后的上下文:")
        print("="*80)
        formatted_context = pipeline.format_context(docs)
        print(formatted_context)
    else:
        print("\n✗ 未找到相关文档")
    
    print("\n" + "="*80)


async def test_rag_tool():
    """测试 2: 使用 RAG Tool（默认用小模型做查询改写）"""
    print("\n"+"="*80)
    print("测试 2: 使用 RAG Tool（默认用小模型做查询改写）")
    print("="*80)
    
    # 创建 tool（默认用小模型）
    rag_tool = create_rag_tool(
        collection_name="rag_documents",
        num_queries=3,
        rerank_top_n=5
    )
    query = "吕布的经历"
    
    print(f"\n用户查询: {query}")
    print("-" * 80)
    
    # 使用 tool (异步调用 ainvoke)
    result = await rag_tool.ainvoke(query)
    
    print("\nTool 返回结果:")
    print("="*80)
    print(result)
    print("="*80)


async def test_custom_pipeline():
    """测试 3: 自定义参数的 RAGPipeline（默认用小模型）"""
    print("\n"+"="*80)
    print("测试 3: 自定义参数的 RAGPipeline（默认用小模型）")
    print("="*80)
    
    # 自定义参数（默认用小模型）
    pipeline = RAGPipeline(
        collection_name="rag_documents",
        num_queries=2,      # 只生成 2 个查询变体
        rerank_top_n=3     # 只返回前 3 个最相关文档
    )
    
    query = "吕布的经历"
    
    print(f"\n用户查询: {query}")
    print(f"配置: num_queries=2, rerank_top_n=3")
    print("-" * 80)
    
    docs = await pipeline.aretrieve(query)
    
    if docs:
        print(f"\n✓ 找到 {len(docs)} 个相关文档")
        print("-" * 80)
        
        for i, doc in enumerate(docs, 1):
            print(f"\n{i}. 来源: {doc.metadata.get('source', 'unknown')}")
            preview = doc.page_content[:200].strip()
            if len(doc.page_content) > 200:
                preview += "..."
            print(f"   内容预览: {preview}")
        
        print("\n" + "="*80)
        print("格式化后的上下文:")
        print("="*80)
        print(pipeline.format_context(docs))
    else:
        print("\n✗ 未找到相关文档")
    
    print("\n" + "="*80)


async def main():
    """主测试函数"""
    print("\n" + "="*80)
    print("完整 RAG Pipeline 测试")
    print("查询: '吕布的经历'")
    print("="*80)
    
    # 测试 1: 直接使用 pipeline
    await test_rag_pipeline_direct()
    
    # 测试 2: 使用 tool
    await test_rag_tool()
    
    # 测试 3: 自定义参数
    await test_custom_pipeline()
    
    print("\n" + "="*80)
    print("🎉 所有 RAG Pipeline 测试完成！")
    print("="*80)


if __name__ == "__main__":
    asyncio.run(main())