from ragas import evaluate, EvaluationDataset
from ragas.metrics import ContextRecall, ContextPrecision
from ragas.llms import LangchainLLMWrapper
from langchain_openai import ChatOpenAI

# 평가용 LLM 초기화
evaluator_llm = LangchainLLMWrapper(ChatOpenAI(model="gpt-4o-mini"))

# 평가 데이터 (50~100문항 권장)
eval_data = [
    {
        "user_input": "증분 인덱싱이란 무엇인가요?",
        "response": "증분 인덱싱은 전체 재인덱싱 없이 변경된 문서만 반영하는 방식입니다.",
        "retrieved_contexts": ["증분 인덱싱은 문서의 추가, 삭제, 변경을 실시간으로 반영합니다."],
        "reference": "증분 인덱싱은 변경된 문서만 추가/삭제하여 인덱스를 최신 상태로 유지합니다.",
    },
    {
        "user_input": "메타데이터 필터링의 장점은?",
        "response": "메타데이터 필터링은 검색 범위를 줄여 정확도와 속도를 높입니다.",
        "retrieved_contexts": ["메타데이터 필터링으로 부서별, 날짜별 검색이 가능합니다."],
        "reference": "메타데이터 필터링은 검색 범위를 좁혀 관련성 높은 결과를 반환합니다.",
    },
    # ... 50~100개
]

dataset = EvaluationDataset.from_list(eval_data)
results = evaluate(
    dataset=dataset,
    metrics=[ContextRecall(llm=evaluator_llm), ContextPrecision(llm=evaluator_llm)],
)
print(results.to_pandas())

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
import hashlib

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma(
    collection_name="documents",
    embedding_function=embeddings,
    persist_directory="./chroma_db",
)

def compute_hash(text: str) -> str:
    return hashlib.sha256(text.encode()).hexdigest()

def incremental_index(new_docs, existing_hashes):
    """변경된 문서만 인덱싱"""
    to_add = []
    for doc in new_docs:
        doc_hash = compute_hash(doc.page_content)
        if doc_hash not in existing_hashes:
            doc.metadata["content_hash"] = doc_hash
            to_add.append(doc)

    if to_add:
        vectorstore.add_documents(to_add)
        print(f"Added {len(to_add)} new documents")
    return to_add