# rag-demo/scripts/build_index_qa.py
"""
벡터 DB 인덱스 구축 (FAISS 전용)
Qdrant 모드에서는 ingest_qa.py에서 실시간 인덱싱되므로 이 스크립트는 skip됩니다.
"""
import os
import sys
from pathlib import Path

VECTOR_STORE = os.getenv("VECTOR_STORE", "faiss").lower()

if VECTOR_STORE == "qdrant":
    print("✅  Qdrant 모드: 인덱스 빌드 불필요 (실시간 인덱싱)")
    sys.exit(0)

# FAISS 모드: 기존 벡터 파일 → 인덱스 생성
import json, pickle
import numpy as np
from vector_store import FAISSStore

# ───────────────────────────────────────────
SRC = Path("/app/data/qa_vecs.jsonl")
DATA_DIR = Path("/app/data")
INDEX_FILE = DATA_DIR / "qa.index"
META_FILE = DATA_DIR / "qa_meta.pkl"

# ──────────────────────────────────────────────
# ✅ 스킵 로직: 이미 인덱스가 생성되었는지 확인
# ──────────────────────────────────────────────
def should_skip_indexing():
    """인덱싱 작업을 스킵해야 하는지 판단"""
    if not INDEX_FILE.exists() or not META_FILE.exists():
        return False
    
    # qa_vecs.jsonl과 qa_meta.pkl의 라인 수 비교
    try:
        with open(SRC, 'r', encoding='utf-8') as f:
            vec_lines = sum(1 for line in f if line.strip())
        
        with open(META_FILE, 'rb') as f:
            import pickle
            metas = pickle.load(f)
            meta_count = len(metas)
        
        if vec_lines == meta_count:
            print(f"[Index] ✅ 인덱스 이미 생성됨 (vectors: {vec_lines}개, metadata: {meta_count}개)")
            print(f"[Index] ⏩ 스킵합니다. 재인덱싱이 필요하면 'rm {INDEX_FILE} {META_FILE}'을 실행하세요.")
            return True
        else:
            print(f"[Index] ⚠️  개수 불일치 (vectors: {vec_lines}개, metadata: {meta_count}개) → 재인덱싱")
            return False
    except Exception as e:
        print(f"[Index] ⚠️  스킵 체크 실패: {e} → 인덱싱 진행")
        return False

# 벡터 파일이 없으면 ingest_qa.py가 이미 인덱싱 완료
if not SRC.exists():
    print("[Index] ✅ qa_vecs.jsonl 없음: ingest_qa.py에서 이미 인덱싱 완료")
    sys.exit(0)

if should_skip_indexing():
    print("[Index] 🎉 인덱싱 작업 완료 (스킵)")
    sys.exit(0)

# 기존 JSONL 형식 벡터 파일 읽기 (하위 호환)
vecs, metas = [], []
with SRC.open(encoding="utf-8") as fin:
    for line in fin:
        obj = json.loads(line)
        vecs.append(obj["vec"])
        metas.append(obj["meta"])

arr = np.asarray(vecs, dtype="float32")

# FAISS 스토어에 추가 및 저장
store = FAISSStore()
store.add_vectors(arr, metas)
store.save(str(DATA_DIR))

print(f"✅  FAISS 인덱스 저장: {DATA_DIR}/qa.index (vectors={arr.shape[0]}, dim={arr.shape[1]})")