ai_architecture/examples/advanced_usage.py

"""
高级使用示例 - 展示更多功能
"""

import os
import sys
from pathlib import Path

# 添加项目根目录到Python路径
project_root = Path(__file__).parent.parent
sys.path.insert(0, str(project_root))

from src.core.llm_manager import llm_manager
from src.core.vector_store import vector_store_manager
from src.core.document_processor import document_processor
from src.services.chat_service import chat_service
from src.services.qa_service import qa_service
from src.services.document_service import document_service
from src.utils.logger import setup_logger
from src.utils.cache import cache_manager
from loguru import logger


def demo_multi_provider_llm():
    """演示多提供商LLM使用"""
    print("=== 多提供商LLM演示 ===")
    
    providers = ["openrouter", "openai", "anthropic"]
    
    for provider in providers:
        try:
            print(f"\n使用 {provider} 提供商:")
            
            # 获取可用模型
            models = llm_manager.get_available_models(provider)
            print(f"  可用模型: {models[:3]}...")  # 只显示前3个
            
            # 测试连接
            if llm_manager.test_connection(provider):
                print(f"  {provider} 连接正常")
                
                # 创建LLM实例
                llm = llm_manager.get_or_create_llm(provider)
                
                # 简单测试
                response = llm.invoke("请用一句话介绍自己")
                print(f"  回复: {response.content[:100]}...")
            else:
                print(f"  {provider} 连接失败")
                
        except Exception as e:
            print(f"  {provider} 测试失败: {e}")


def demo_advanced_chat():
    """演示高级聊天功能"""
    print("\n=== 高级聊天功能演示 ===")
    
    # 创建多个会话
    sessions = [
        ("session_1", "你是一个技术专家，专门回答编程问题"),
        ("session_2", "你是一个创意写作助手，帮助用户创作故事"),
        ("session_3", "你是一个数据分析师，帮助用户分析数据")
    ]
    
    for session_id, system_prompt in sessions:
        try:
            # 创建会话
            session = chat_service.create_session(session_id, system_prompt)
            print(f"\n创建会话: {session_id}")
            
            # 发送消息
            if session_id == "session_1":
                message = "请解释什么是Python装饰器"
            elif session_id == "session_2":
                message = "请写一个关于太空探险的短故事开头"
            else:
                message = "如何分析销售数据的趋势？"
            
            response = chat_service.send_message(session_id, message)
            print(f"  问题: {message}")
            print(f"  回答: {response['assistant_message'][:150]}...")
            
        except Exception as e:
            print(f"  会话 {session_id} 失败: {e}")
    
    # 获取会话摘要
    for session_id, _ in sessions:
        try:
            summary = chat_service.get_conversation_summary(session_id)
            print(f"\n会话 {session_id} 摘要: {summary[:100]}...")
        except Exception as e:
            print(f"获取会话 {session_id} 摘要失败: {e}")


def demo_document_processing():
    """演示文档处理功能"""
    print("\n=== 文档处理功能演示 ===")
    
    # 创建不同类型的测试文档
    test_docs = {
        "technical.txt": """
人工智能技术发展迅速，机器学习算法在各个领域都有广泛应用。
深度学习模型如GPT、BERT等在自然语言处理任务中表现出色。
计算机视觉技术也在图像识别、目标检测等方面取得了重大突破。
        """,
        "business.txt": """
企业数字化转型是当前的重要趋势，云计算、大数据分析等技术正在改变商业模式。
远程办公和在线协作工具的使用率大幅提升，推动了企业效率的提升。
数据安全和隐私保护成为企业关注的重点问题。
        """,
        "creative.txt": """
创意写作需要丰富的想象力和独特的视角，每个故事都有其独特的魅力。
文学创作不仅仅是文字的堆砌，更是情感和思想的表达。
好的作品能够引起读者的共鸣，传递深刻的人生哲理。
        """
    }
    
    # 创建文档
    for filename, content in test_docs.items():
        with open(filename, "w", encoding="utf-8") as f:
            f.write(content.strip())
    
    try:
        # 批量处理文档
        for filename in test_docs.keys():
            print(f"\n处理文档: {filename}")
            
            # 验证文档
            validation = document_service.validate_document(filename)
            print(f"  验证结果: {validation['valid']}")
            
            if validation["valid"]:
                # 处理文档
                result = document_service.process_and_store_document(
                    filename,
                    collection_name=f"demo_{filename.split('.')[0]}",
                    additional_metadata={"category": "demo", "filename": filename}
                )
                print(f"  处理完成: {result['processed_documents']} 个片段")
        
        # 搜索文档
        search_queries = ["人工智能", "企业", "创意"]
        for query in search_queries:
            print(f"\n搜索关键词: {query}")
            results = document_service.search_documents_with_scores(query, k=3)
            for i, result in enumerate(results, 1):
                print(f"  结果 {i}: {result['content'][:100]}... (相似度: {result['similarity_score']:.3f})")
        
        # 获取集合信息
        collections = document_service.get_document_collections()
        print(f"\n文档集合: {collections}")
        
    except Exception as e:
        print(f"文档处理演示失败: {e}")
    
    # 清理测试文件
    for filename in test_docs.keys():
        if os.path.exists(filename):
            os.remove(filename)


def demo_advanced_qa():
    """演示高级问答功能"""
    print("\n=== 高级问答功能演示 ===")
    
    # 创建知识库文档
    knowledge_doc = """
LangChain是一个用于开发由语言模型驱动的应用程序的框架。
它提供了以下主要功能：
1. 模型管理：支持多种LLM提供商，如OpenAI、Anthropic等
2. 提示管理：提供灵活的提示模板和链式处理
3. 记忆管理：支持对话历史和上下文管理
4. 索引和检索：集成向量数据库，支持文档检索
5. 代理和工具：支持工具调用和自动化任务

LangChain的主要优势：
- 模块化设计，易于扩展
- 丰富的集成选项
- 活跃的社区支持
- 详细的文档和示例
    """
    
    # 创建测试文档
    test_file = "langchain_knowledge.txt"
    with open(test_file, "w", encoding="utf-8") as f:
        f.write(knowledge_doc)
    
    try:
        # 处理文档并添加到问答系统
        documents = document_processor.process_document_pipeline(test_file)
        qa_service.add_documents_for_qa(documents, collection_name="langchain_qa")
        
        # 批量问答
        questions = [
            "LangChain是什么？",
            "LangChain有哪些主要功能？",
            "LangChain的优势是什么？",
            "如何使用LangChain进行文档检索？"
        ]
        
        print("批量问答测试:")
        results = qa_service.batch_qa(questions, collection_name="langchain_qa")
        
        for i, result in enumerate(results, 1):
            print(f"\n问题 {i}: {result['question']}")
            print(f"答案: {result['answer'][:200]}...")
            print(f"来源数量: {result['source_count']}")
        
        # 相似文档搜索
        print(f"\n相似文档搜索:")
        similar_docs = qa_service.search_similar_documents(
            "LangChain框架", 
            k=3, 
            collection_name="langchain_qa"
        )
        
        for i, doc in enumerate(similar_docs, 1):
            print(f"  文档 {i}: {doc.page_content[:150]}...")
        
    except Exception as e:
        print(f"高级问答演示失败: {e}")
    
    # 清理测试文件
    if os.path.exists(test_file):
        os.remove(test_file)


def demo_cache_management():
    """演示缓存管理功能"""
    print("\n=== 缓存管理功能演示 ===")
    
    # 测试缓存功能
    test_data = {"key": "value", "number": 42, "list": [1, 2, 3]}
    
    # 设置缓存
    cache_manager.set("test_key", test_data, ttl=60)
    print("设置缓存: test_key")
    
    # 获取缓存
    cached_data = cache_manager.get("test_key")
    if cached_data:
        print(f"获取缓存成功: {cached_data}")
    else:
        print("缓存获取失败")
    
    # 删除缓存
    cache_manager.delete("test_key")
    print("删除缓存: test_key")
    
    # 验证删除
    cached_data = cache_manager.get("test_key")
    if cached_data is None:
        print("缓存删除成功")
    else:
        print("缓存删除失败")


def main():
    """主函数"""
    print("AI Architecture 高级使用示例")
    print("=" * 60)
    
    # 设置日志
    setup_logger()
    
    # 检查环境变量
    if not os.getenv("OPENROUTER_API_KEY"):
        print("警告: 未设置OPENROUTER_API_KEY环境变量")
        print("请复制env.example为.env并设置您的OpenRouter API密钥")
        return
    
    # 运行演示
    demo_multi_provider_llm()
    demo_advanced_chat()
    demo_document_processing()
    demo_advanced_qa()
    demo_cache_management()
    
    print("\n高级示例运行完成！")


if __name__ == "__main__":
    main()