import ollama
import faiss
import numpy as np
import sys

MODEL = "paraphrase-multilingual"

# RAGシステムが保持する文章
documents = [
  "ガラスとは、結晶構造も取れる固体が環境によって非晶質になった状態",
  "一般的なガラスの原料は珪砂、ソーダ灰、石灰",
  "美しく見えるがはかない物事を「ガラスの...」で表現することがある",
  "ガラス細工はバーナーで熱しながら少しずつ曲げて作る",
  "町で見かけるカラスの多くはハシブトガラスかハシボソガラス",
]

#
# documentsの文章をベクトル化
#

# FAISSに登録するために、embeddings_listにまとめる
embeddings_list = []

for doc in documents:
  # 文章をベクトル化
  result = ollama.embed(model=MODEL, input=doc)
  emb = np.array(result["embeddings"][0], dtype="float32")
  # 正規化
  emb /= np.linalg.norm(emb)
  embeddings_list.append(emb)

embeddings_list = np.stack(embeddings_list)
dim = embeddings_list.shape[1]   # embeddings_listの次元数を取得

query = sys.argv[1]   # コマンドライン引数から質問文を取得

#
# 質問文をベクトル化
#
q_result = ollama.embed(model=MODEL, input=query)
q_emb = np.array(q_result["embeddings"][0], dtype="float32")
q_emb /= np.linalg.norm(q_emb)   # 正規化
q_emb = q_emb.reshape(1, -1)

# FAISSにembeddings_listのベクトルを登録
faiss_index = faiss.IndexFlatIP(dim)
faiss_index.add(embeddings_list)

#
# FAISSで質問文と類似するベクトル（文章）を検索
#
print("次の文章と似た文章を検索:", query, "\n")
k = 2   # 上位何件取得するか
D, I = faiss_index.search(q_emb, k)   # 検索の実行
top_doc = None

for rank, idx in enumerate(I[0]):
  print(f"{rank+1}位: {documents[idx]} (コサイン類似度: {D[0][rank]:.4f})")
  if rank == 0:
    top_doc = documents[idx]   # 1位の文章を保持

# 1位の文章をLLMに渡して回答生成
output = ollama.generate(
  model="gpt-oss:20b",
  prompt=f"""
次のデータを忠実に使って質問に答えてください。

データ:
{top_doc}

質問:
{query}
"""
)

print("\n最終的な回答：")
print(output["response"])
