# Установка Embedchain с поддержкой всех провайдеров
pip install embedchain[all]

# Минимальный пример — добавляем веб-страницу и задаём вопрос
from embedchain import App

app = App.from_config(config_path="config.yaml")
app.add("https://docs.python.org/3/tutorial/")
answer = app.query("Как работают list comprehensions в Python?")
print(answer)

# config.yaml — продакшен-конфигурация Embedchain
llm:
  provider: openai
  config:
    model: "gpt-4o"
    temperature: 0.1
    max_tokens: 2000
    top_p: 0.95

embedder:
  provider: openai
  config:
    model: "text-embedding-3-small"
    dimensions: 1536

vectordb:
  provider: qdrant
  config:
    collection_name: "docs_knowledge"
    dir: "/data/qdrant"
    hnsw_config:
      m: 16
      ef_construct: 200

chunker:
  chunk_size: 1000
  chunk_overlap: 200
  length_function: len

import os
from embedchain import App

os.environ["OPENAI_API_KEY"] = "sk-..."
app = App.from_config("config.yaml")

# Добавляем данные из разных источников
app.add("docs/api-reference.pdf", data_type="pdf_file")
app.add("https://docs.example.com/architecture", data_type="web_page")
app.add("https://youtube.com/watch?v=abc123", data_type="youtube_video")
app.add("support_tickets.csv", data_type="csv")

# Пакетная загрузка директории с документами
app.add("/data/product-docs/", data_type="docs")

# Проверяем количество проиндексированных чанков
print(f"Chunks indexed: {app.db.count()}")

# Кастомный RAG-агент с переранжированием
from embedchain import App
from embedchain.config import BaseLlmConfig

class RerankAgent:
    def __init__(self):
        self.app = App.from_config("config.yaml")

    def smart_query(self, question: str, top_k: int = 10) -> str:
        # Получаем расширенный контекст
        contexts = self.app.search(question, num_documents=top_k)

        # Формируем промпт с контекстом и инструкцией
        prompt = f"""Ты — AI-ассистент технической поддержки.
        Используй ТОЛЬКО предоставленный контекст для ответа.
        Если информации недостаточно, скажи об этом честно.

        Контекст:
        {chr(10).join([f'- {c}' for c in contexts])}

        Вопрос: {question}
        Ответ:"""

        llm_config = BaseLlmConfig(
            temperature=0.0,
            max_tokens=1500,
            system_prompt="Отвечай на русском языке."
        )
        return self.app.llm.generate(prompt, llm_config)

agent = RerankAgent()
response = agent.smart_query(
    "Как настроить webhook-интеграцию с CRM?",
    top_k=10
)
print(response)

# Режим агента с кастомным инструментом
from embedchain import App
from embedchain.loaders.web_page import WebPageLoader

app = App.from_config("config.yaml")

# Включаем режим агента
app.setup_agent(
    tools=["retrieve", "web_search"],
    agent_type="react",
    verbose=True
)

app.add("https://docs.stripe.com/api")
result = app.agent.query(
    "Найди pricing API Stripe в документации и сравни с актуальными ценами из интернета"
)
print(result)

# FastAPI-сервер для Embedchain-агента
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from embedchain import App
import redis
import hashlib
import json

app = App.from_config("config.yaml")
api = FastAPI(title="Embedchain Agent API")
cache = redis.Redis(host="localhost", port=6379, db=0, decode_responses=True)

class QueryRequest(BaseModel):
    question: str
    session_id: str = "default"

class QueryResponse(BaseModel):
    answer: str
    sources: list[str]
    cached: bool

@api.post("/query", response_model=QueryResponse)
def query(req: QueryRequest):
    cache_key = hashlib.sha256(req.question.encode()).hexdigest()
    cached = cache.get(cache_key)

    if cached:
        data = json.loads(cached)
        return QueryResponse(
            answer=data["answer"],
            sources=data["sources"],
            cached=True
        )

    answer, sources = app.query(req.question, citations=True)
    cache.setex(cache_key, 3600, json.dumps({
        "answer": answer, "sources": sources
    }))
    return QueryResponse(answer=answer, sources=sources, cached=False)

# Запуск: uvicorn server:api --host 0.0.0.0 --port 8080