import logging

from langchain.chains.retrieval_qa.base import RetrievalQA
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
import os
import dotenv
from langchain_text_splitters import CharacterTextSplitter
from langchain_community.vectorstores import FAISS

logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s"
)
dotenv.load_dotenv()

## 设置环境变量
os.environ['OPENAI_API_KEY'] = os.getenv("SILICONFLOW_API_KEY")
os.environ['OPENAI_BASE_URL'] = os.getenv("SILICONFLOW_BASE_URL")

# 默认的 'model_name': 'deepseek-ai/DeepSeek-V3.1',
llm = ChatOpenAI(model="deepseek-ai/DeepSeek-R1-0528-Qwen3-8B")

## 1. 准备某个领域的文档：测试相关的知识
docs = [
    "等价类划分是一种黑盒测试方法，将输入数据划分为有效等价类和无效等价类。",
    "边界值分析通常作为等价类划分的补充，重点测试输入输出的边界条件。",
    "集成测试用于验证模块间接口的正确性，常见策略包括自顶向下和自底向上。",
    "回归测试是在软件变更后执行的测试，确保原有功能不受新修改影响。",
    "性能测试包括负载测试、压力测试和耐久性测试，用于评估系统的响应能力。",
    "测试用例应包含测试ID、模块、前置条件、步骤、预期结果和优先级信息。"
]

splitter = CharacterTextSplitter()

## 2. 切割文档（可选）
texts = []
for doc in docs:
    chunks = splitter.split_text(doc)
    texts.extend(chunks)
    logging.info("文档切分：原文=%s -> %d 个分片",doc,len(chunks))
logging.info(texts)

## 3. embedding（向量化） 以及 建立向量库
embeddings = OpenAIEmbeddings(model="netease-youdao/bce-embedding-base_v1")
## 第一次调用 embedding模型：HTTP Request: POST https://api.siliconflow.cn/v1/embeddings "HTTP/1.1 200 OK"
vectorstore = FAISS.from_texts(texts,embeddings)
logging.info("构建向量数据库完成")
logging.info(vectorstore)

## 4. 构建 RAG的调用链    k参数： topK
retriever = vectorstore.as_retriever(search_type='similarity',search_kwargs={"k":2})
## HTTP Request: POST https://api.siliconflow.cn/v1/embeddings "HTTP/1.1 200 OK"
chain = RetrievalQA.from_chain_type(llm=llm,retriever=retriever)

query = "什么是等价类划分？"

## 检索过程探索
retrieved_docs = retriever.get_relevant_documents(query)
logging.info("---------")
for retrieved_doc in retrieved_docs:
    logging.info(retrieved_doc)
logging.info("---------")

## 5. 查询数据（通过模型自己去查数据库）
## HTTP Request: POST https://api.siliconflow.cn/v1/chat/completions "HTTP/1.1 200 OK"
response = chain.invoke(query)
logging.info(response)