"""
app/services/embeddings_client.py — Text→Embedding Service

Zweck:
    Liefert Embeddings für Textqueries.
    - Legacy Mode (Sync): Nutzt lokal Sentence-Transformers (CPU).
    - Modern Mode (Async/Class): Nutzt Ollama API (HTTP) für Non-Blocking Operations (WP-11).

Kompatibilität:
    Python 3.12+, sentence-transformers 5.x, httpx
Version:
    0.2.0 (Erweitert um Async EmbeddingsClient)
Stand:
    2025-12-11
"""

from __future__ import annotations
import os
import logging
import httpx
from typing import List, Optional
from functools import lru_cache
from app.config import get_settings

logger = logging.getLogger(__name__)

# ==============================================================================
# TEIL 1: NEUE ASYNC KLASSE (Für Ingestion API / WP-11)
# ==============================================================================

class EmbeddingsClient:
    """
    Async Client für Embeddings via Ollama (oder kompatible APIs).
    Verhindert das Blockieren des Event-Loops bei schweren Berechnungen.
    """
    def __init__(self):
        self.settings = get_settings()
        # Fallback auf Environment Variablen, falls Settings nicht geladen
        self.base_url = os.getenv("MINDNET_OLLAMA_URL", "http://127.0.0.1:11434")
        # Nutze explizites Embedding Modell oder Fallback auf LLM Modell
        self.model = os.getenv("MINDNET_EMBEDDING_MODEL", os.getenv("MINDNET_LLM_MODEL", "phi3:mini"))

    async def embed_query(self, text: str) -> List[float]:
        """Erzeugt Embedding für einen einzelnen Text."""
        return await self._request_embedding(text)

    async def embed_documents(self, texts: List[str]) -> List[List[float]]:
        """
        Erzeugt Embeddings für eine Liste von Texten.
        Nutzt eine Session für effizientere Requests.
        """
        vectors = []
        async with httpx.AsyncClient(timeout=60.0) as client:
            for text in texts:
                vec = await self._request_embedding_with_client(client, text)
                vectors.append(vec)
        return vectors

    async def _request_embedding(self, text: str) -> List[float]:
        """Interne Hilfsmethode für Single-Request (One-off Client)."""
        async with httpx.AsyncClient(timeout=30.0) as client:
            return await self._request_embedding_with_client(client, text)

    async def _request_embedding_with_client(self, client: httpx.AsyncClient, text: str) -> List[float]:
        """Führt den eigentlichen Request gegen Ollama aus."""
        if not text or not text.strip():
            return []
            
        url = f"{self.base_url}/api/embeddings"
        try:
            response = await client.post(
                url,
                json={
                    "model": self.model,
                    "prompt": text
                }
            )
            response.raise_for_status()
            data = response.json()
            return data.get("embedding", [])
        except Exception as e:
            logger.error(f"Embedding error (Ollama) for model {self.model}: {e}")
            # Fallback: Leere Liste, damit der Prozess nicht crasht (wird vom Caller gefiltert)
            return []


# ==============================================================================
# TEIL 2: LEGACY FUNKTIONEN (Für bestehende Sync-Module / CLI)
# ==============================================================================

# Lazy import, damit Testläufe ohne Modell-Laden schnell sind
def _load_model():
    # Performance-Warnung loggen, da dies viel RAM braucht
    logger.info("Loading local SentenceTransformer model (Legacy Mode)...")
    from sentence_transformers import SentenceTransformer  # import hier, nicht top-level
    s = get_settings()
    return SentenceTransformer(s.MODEL_NAME, device="cpu")

@lru_cache(maxsize=1)
def _cached_model():
    return _load_model()

def embed_text(text: str) -> List[float]:
    """
    LEGACY: Erzeugt einen Vektor synchron via Sentence-Transformers.
    Wird u.a. vom Retriever oder alten CLI-Skripten genutzt.
    """
    if not text or not text.strip():
        # Um Konsistenz mit neuer Klasse zu wahren, loggen wir Warnung statt Error
        # raise ValueError("embed_text: leerer Text") -> Veraltet
        logger.warning("embed_text called with empty string")
        return []
        
    try:
        model = _cached_model()
        vec = model.encode([text], normalize_embeddings=True)[0]
        return vec.astype(float).tolist()
    except Exception as e:
        logger.error(f"Legacy embed_text failed: {e}")
        return []