import os
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS  # 使用FAISS替代Chroma
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import TextLoader
from langchain_core.prompts import ChatPromptTemplate
from langchain.schema import Document
from typing import List
import requests
import json
import dashscope
from dashscope import Generation
from modelscope import snapshot_download
from modelscope.models import Model
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
# 配置阿里千問模型
class QwenLLM:
    def __init__(self):
        # 設置阿里雲API密鑰
        self.api_key = os.environ["DASHSCOPE_API_KEY"]  # 從環境變量獲取API密鑰
        dashscope.api_key = self.api_key  # 設置dashscope的API密鑰
    def invoke(self, prompt: str) -> str:
        try:
            # 調用阿里千問大模型API生成回答
            response = Generation.call(
                model="qwen-max",  # 使用千問最大模型
                prompt=prompt,  # 傳入提示詞
                temperature=0.1,  # 低温度值使輸出更確定性
                top_p=0.9,  # 核採樣參數，控制生成多樣性
                result_format='message'  # 返回消息格式
            )
            # 檢查響應狀態
            if response.status_code == 200:
                return response.output.choices[0].message.content  # 返回模型生成的內容
            else:
                return f"請求失敗: {response.message}"  # 返回錯誤信息
        except Exception as e:
            return f"請求異常: {str(e)}"  # 返回異常信息
# 從ModelScope下載並使用嵌入模型
class ModelScopeEmbeddings:
    def __init__(self, model_name="damo/nlp_corom_sentence-embedding_chinese-base"):
        # 從ModelScope下載中文句子嵌入模型
        self.model_dir = snapshot_download(model_name, cache_dir='D:\modelscope\hub\models')
        print(f"模型已下載到: {self.model_dir}")
        # 使用HuggingFaceEmbeddings包裝ModelScope模型，使其兼容LangChain
        self.embeddings = HuggingFaceEmbeddings(
            model_name=self.model_dir,  # 使用下載的模型路徑
            model_kwargs={'device': 'cpu'},  # 指定使用CPU設備
            encode_kwargs={'normalize_embeddings': True}  # 對嵌入向量進行歸一化
        )
    def embed_documents(self, texts: List[str]) -> List[List[float]]:
        """將文檔列表轉換為嵌入向量"""
        return self.embeddings.embed_documents(texts)
    def embed_query(self, text: str) -> List[float]:
        """將查詢文本轉換為嵌入向量"""
        return self.embeddings.embed_query(text)
# 初始化RAG系統
def setup_rag_system(knowledge_texts: List[str]):
    # 1. 文本分割 - 將長文本分割成適合處理的小塊
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=500,  # 每個文本塊的最大字符數
        chunk_overlap=50,  # 塊之間的重疊字符數，保持上下文連貫
        length_function=len  # 使用Python內置len函數計算長度
    )
    # 創建文檔對象
    documents = []
    for i, text in enumerate(knowledge_texts):
        docs = text_splitter.split_text(text)  # 分割文本
        for doc in docs:
            # 創建LangChain文檔對象，包含內容和元數據
            documents.append(Document(page_content=doc, metadata={"source": f"doc_{i}"}))
    # 2. 初始化ModelScope嵌入模型
    embeddings = ModelScopeEmbeddings()
    # 3. 創建FAISS向量數據庫 - 高效的相似性搜索庫
    vectorstore = FAISS.from_documents(
        documents=documents,  # 文檔列表
        embedding=embeddings.embeddings  # 嵌入模型
    )
    return vectorstore, embeddings  # 返回向量存儲和嵌入模型
# 構建RAG鏈
def create_rag_chain(vectorstore, embeddings):
    # 創建檢索器 - 用於從向量庫中搜索相關文檔
    retriever = vectorstore.as_retriever(
        search_type="similarity",  # 使用相似性搜索
        search_kwargs={"k": 3}  # 返回最相關的3個文檔
    )
    # 定義提示模板 - 指導模型如何基於上下文回答問題
    template = """
    你是一個專業的助手，請根據以下背景信息回答問題。
    背景信息：
    {context}
    問題：{question}
    請根據背景信息提供準確、簡潔的回答。如果背景信息中沒有相關答案，請如實告知。
    """
    prompt = ChatPromptTemplate.from_template(template)  # 創建提示模板
    # 創建RAG處理函數
    def rag_chain(question: str) -> str:
        # 檢索相關文檔 - 基於問題查找最相關的文檔片段
        relevant_docs = retriever.invoke(question)
        # 合併檢索到的文檔內容作為上下文
        context = "\n\n".join([doc.page_content for doc in relevant_docs])
        # 構建提示 - 將上下文和問題填入模板
        formatted_prompt = prompt.invoke({
            "context": context, 
            "question": question
        })
        # 調用千問模型生成回答
        qwen_llm = QwenLLM()
        response = qwen_llm.invoke(str(formatted_prompt))
        return response, context  # 返回模型回答和使用的上下文
    return rag_chain  # 返回RAG處理函數
# 示例知識庫數據
knowledge_data = [
    """
    人工智能發展趨勢：2024年，生成式AI技術將繼續快速發展，多模態能力成為重點。
    企業應用AI的主要方向包括智能客服、內容生成、數據分析等。深度學習和神經網絡
    技術不斷突破，大模型參數規模持續增長。
    """,
    """
    公司規章制度：員工工作時間為每週5天，每天8小時。年假根據工齡計算，1-3年員工
    享有5天年假，3-5年員工享有10天年假。所有員工需要遵守保密協議，不得泄露公司
    商業秘密和技術信息。
    """,
    """
    產品介紹：我司主要產品包括智能客服系統、企業知識管理平台和AI內容生成工具。
    智能客服系統支持多渠道接入，能夠自動回答常見問題，提升客户服務效率。知識管理
    平台幫助企業構建專屬知識庫，實現知識的集中管理和智能檢索。
    """
]
# 初始化RAG系統
print("正在初始化RAG系統...")
vectorstore, embeddings = setup_rag_system(knowledge_data)
rag_chain = create_rag_chain(vectorstore, embeddings)
# 進行問答測試
questions = [
    "公司的年假政策是怎樣的？",
    "智能客服系統有哪些功能？",
    "2024年AI發展趨勢是什麼？"
]
for question in questions:
    print(f"\n問題：{question}")
    answer, context = rag_chain(question)
    print(f"答案：{answer}")
    print(f"檢索到的上下文：{context[:100]}...")  # 只顯示前100個字符

正在初始化RAG系統...
Downloading Model from https://www.modelscope.cn to directory: D:\modelscope\hub\models\damo\nlp_corom_sentence-embedding_chinese-base
2025-08-29 15:09:10,402 - modelscope - WARNING - Model revision not specified, use revision: v1.1.0
模型已下載到: D:\modelscope\hub\models\damo\nlp_corom_sentence-embedding_chinese-base
問題：公司的年假政策是怎樣的？
答案：根據公司規章制度，年假政策如下：
- 工齡在1至3年的員工享有5天年假。
- 工齡在3至5年的員工享有10天年假。
檢索到的上下文：公司規章制度：員工工作時間為每週5天，每天8小時。年假根據工齡計算，1-3年員工
    享有5天年假，3-5年員工享有10天年假。所有員工需要遵守保密協議，不得泄露公司
    商業秘密和技術信息。...
問題：智能客服系統有哪些功能？
答案：根據背景信息，智能客服系統的主要功能包括：
- **多渠道接入**：支持通過多種溝通渠道（如網站、社交媒體等）與客户進行互動。
- **自動回答常見問題**：能夠識別並自動回覆客户的常見諮詢，提高服務效率。
這些功能旨在提升客户服務體驗的同時，也幫助企業更高效地管理客户關係。
檢索到的上下文：產品介紹：我司主要產品包括智能客服系統、企業知識管理平台和AI內容生成工具。
    智能客服系統支持多渠道接入，能夠自動回答常見問題，提升客户服務效率。知識管理
    平台幫助企業構建專屬知識庫，...
問題：2024年AI發展趨勢是什麼？
答案：2024年AI發展趨勢主要體現在生成式AI技術的持續快速發展上，其中多模態能力成為重點發展方向。同時，深度學習和神經網絡技術
也將不斷取得新突破，大模型的參數規模會繼續增長。這些技術進步將推動企業在智能客服、內容生成、數據分析等領域的應用更加廣泛和
深入。
檢索到的上下文：人工智能發展趨勢：2024年，生成式AI技術將繼續快速發展，多模態能力成為重點。
    企業應用AI的主要方向包括智能客服、內容生成、數據分析等。深度學習和神經網絡
    技術不斷突破，大模型參數...