"""Embeddings compartilhados entre indexador e busca do RAG do G-ART.

admin/update_rag.py já indexa (chunking por janela de linhas, incremental,
rodado por admin/run.command). Este módulo só isola a chamada ao Ollama para
que rag/search.py use exatamente o mesmo modelo/prefixo na consulta.

Prefixos do embedding
----------------------
O nomic-embed-text espera `search_document: ` no que é indexado e
`search_query: ` no que é consultado — sem isso a qualidade da busca cai.
admin/update_rag.py já indexa com `search_document: ` (ver `_embed` lá).
Trocar esse regime invalida os vetores antigos e exige reindexar tudo.
"""

import os

import requests

OLLAMA_URL = os.environ.get("OLLAMA_URL", "http://127.0.0.1:11434")
EMBED_MODEL = os.environ.get("RAG_EMBED_MODEL", "nomic-embed-text")
EMBED_DIM = int(os.environ.get("RAG_EMBED_DIM", "768"))

DOC_PREFIX = "search_document: "
QUERY_PREFIX = "search_query: "


def _embed(text: str, prefix: str = DOC_PREFIX):
    response = requests.post(
        f"{OLLAMA_URL.rstrip('/')}/api/embeddings",
        json={"model": EMBED_MODEL, "prompt": f"{prefix}{text}"},
        timeout=60,
    )
    response.raise_for_status()
    vector = response.json()["embedding"]
    if len(vector) != EMBED_DIM:
        raise ValueError(f"embedding com {len(vector)} dimensões; esperado {EMBED_DIM}")
    return vector