deep_analyzer.py

# deep_analyzer.py
import google.generativeai as genai
from supabase import create_client
import config
import json
import logging
import re
import requests # 👈 確保檔案最上面有 import requests

logger = logging.getLogger(__name__)
genai.configure(api_key=config.GEMINI_KEY)
supabase = create_client(config.SUPABASE_URL, config.SUPABASE_KEY)

# ----------------------------------------------------------------
# 📝 根據官方規範建立的資料庫全稱對齊映射（超前部署未來 15 族資料）
# ----------------------------------------------------------------
TRIBE_MAPPING = {
    "阿美": "海岸阿美語",
    "泰雅": "賽考利克泰雅語",
    "賽夏": "賽夏語",
    "邵": "邵語",
    "賽德克": "德固達雅賽德克語",
    "布農": "郡群布農語",
    "排灣": "北排灣語",
    "魯凱": "霧台魯凱語",
    "太魯閣": "太魯閣語",
    "噶瑪蘭": "噶瑪蘭語",
    "鄒": "阿里山鄒語",
    "卑南": "南王卑南語",
    "雅美": "雅美語",
    "撒奇萊雅": "撒奇萊雅語",
    "卡那卡那富": "卡那卡那富語",
    "拉阿魯哇": "拉阿魯哇語"
}

# ----------------------------------------------------------------
# 1. 滿血型 RAG 檢索邏輯 (智慧文字雷達版 - 速度極快且 100% 穩定)
# ----------------------------------------------------------------
def get_context(query, tribe):
    try:
        db_tribe_clean = tribe 
        db_tribe_full = TRIBE_MAPPING.get(tribe, tribe) 

        # 🎯 步驟 1：直接從 Supabase 撈取該族群的所有黃金語料 (不走 RPC 向量，改走純文字精準撈取)
        response = supabase.table("lang_knowledge")\
            .select("category, content")\
            .in_("tribe", [db_tribe_clean, db_tribe_full])\
            .execute()
        
        records = response.data if response.data else []
        if not records:
            logger.info(f"[{tribe}語] 文字雷達：資料庫中目前無該族群的任何原始語料。")
            return "尚無相關權威辭典與語法參考資料。"
        
        # 🎯 步驟 2：核心文字雷達演算法（剝離標點符號，計算關鍵字元重疊比例）
        clean_query = re.sub(r'[\s，。！？、？?!\-_=\.<>]', '', query)
        query_chars = set(clean_query)
        
        scored_records = []
        for item in records:
            content = item.get('content', '')
            # 計算使用者輸入的漢字/字元出現在此條語料中的數量
            match_count = sum(1 for char in query_chars if char in content)
            if match_count > 0:
                score = match_count / len(query_chars) if query_chars else 0
                scored_records.append((score, item))
        
        # 依重疊分數從高到低進行語言學權重排序
        scored_records.sort(key=lambda x: x[0], reverse=True)
        
        # 僅篩選出重疊率大於 15% 的高價值精準小抄，最多取 10 筆
        top_records = [item for score, item in scored_records if score >= 0.15][:10]
        
        if not top_records:
            logger.info(f"[{tribe}語] 文字雷達掃描完畢，但輸入語意與現存語料的特徵重疊度過低。")
            return "尚無相關權威辭典與語法參考資料。"
            
        academic_data = []
        dictionary_data = []
        
        for item in top_records:
            cat = str(item.get('category', '')).strip()
            content = item['content']
            if "學術" in cat or "四行" in cat:
                academic_data.append(f"【學術語法規範】: {content}")
            else:
                dictionary_data.append(f"【辭典詞彙參考】: {content}")
        
        # 混合戰術：學術上限 5 句，剩餘由辭典補齊
        final_context = academic_data[:5] + dictionary_data[:(10 - len(academic_data[:5]))]
        
        logger.info(f"🎉 [文字雷達 RAG 大通車] 成功繞過 Google API，精擺打撈出 {len(final_context)} 筆核心對齊語料！")
        return "\n\n".join(final_context)
        
    except Exception as e:
        logger.error(f"文字雷達 RAG 檢索徹底失敗: {e}")
        return ""
        
# ----------------------------------------------------------------
# 2. 構詞語法分析引擎 (支援長短句智慧分流與 16 族文法隔離)
# ----------------------------------------------------------------
def get_structured_analysis(query, tribe):
    context = get_context(query, tribe)
    word_count = len(re.findall(r'\w+', query))
    is_long = word_count > 15
    
    # 💡 語言學防線分流：將太魯閣語特定的書寫規範進行隔離，避免干擾其他 15 族
    if tribe == "太魯閣":
        LINGUISTIC_RULES = """
        【🛑 核心語言學與數詞規範】（最高優先級）：
        1. 構詞拆解：綴詞必須使用 '-' (例如 m-usa)，代名詞連綴必須使用 '=' (例如 bubu=mu)，完成貌必須使用 '<en>' (例如 q<en>pah)。
        2. 數詞系統必須遵循族語習慣：40 必須為 mspatul，10 為 maxal。嚴禁使用生硬的拼湊（如 spac kmxalan）。
        3. 遵守書寫規範 2.0 (單字中 o 轉 u)。
        """
    else:
        LINGUISTIC_RULES = f"""
        【🛑 核心語言學與數詞規範】（最高優先級）：
        1. 構詞拆解：必須嚴格符合當前「{tribe}語」的官方現代構詞、標點與連字號書寫規範。
        2. 語法結構分析與中文翻譯必須 100% 精準對齊「{tribe}語」的傳統生活語感與文化脈絡，絕對不准套用太魯閣語、泰雅語或其他無關族語的文法規則！
        """
    
    if is_long:
        # 長句模式：純文字標籤輸出（防 JSON 破碎）
        model = genai.GenerativeModel('models/gemini-3.5-flash')
        prompt = f"""
        你是一位{tribe}語權威語言學家。請針對這段長難句進行深度解析。
        原文：「{query}」
        
        【🛑 嚴格限制】：
        1. 絕對禁止在說明中提到其他無關族語，一律以「{tribe}語」進行解析與說明。
        2. 翻譯與分析必須絕對忠實，禁止修改原文語感。
        3. 🛑【禁止擅自推翻小抄】進行深度解析時，語意核心「必須」與【參考資料】（小抄）完全一致！絕對禁止自行腦補出與原句核心題意（如：刺自己）毫不相干的華語解釋（如：獨立、現代等）！
        {LINGUISTIC_RULES}
        
        請嚴格按照以下標籤格式輸出：
        【分析結果】：(這裡放條列式解釋，必須包含原文、構詞、語法、翻譯的分析)
        【中文原文】：{query}
        
        參考資料：
        {context}
        """
        try:
            response = model.generate_content(prompt, generation_config={"temperature": 0.0})
            text = response.text
            explanation = text.split("【分析結果】：")[-1].split("【中文原文】：")[0].strip()
            explanation = explanation.replace("**", "").replace("'", "")
            return {"is_long": True, "explanation": explanation, "translation": query}
        except:
            return {"is_long": True, "explanation": "⚠️ 解析過於精密，請嘗試拆分句子。", "translation": query}
            
    else:
        model = genai.GenerativeModel(
            'models/gemini-3.5-flash',
            generation_config={"temperature": 0.0, "response_mime_type": "application/json"}
        )
        prompt = f"""
        你是一位{tribe}語權威語言學家。針對使用者輸入產出符合學術「四行分析（Interlinear Glossing）」規範的精確 JSON。
        使用者輸入：「{query}」
        
        【🛑 嚴格處理步驟與限制】：
        1. 必須完全、唯一使用「{tribe}語」進行解析，回覆內容中絕對不准夾帶或提到其他族語。
        2. 若輸入中文，請務必先將其精準翻譯為「{tribe}語」後再進行拆解。
        3. 🛑【字義與解說防叛變鐵律】在拆解 line3（華語解釋）與填寫 explanation（綜合重點解說）時，所有字詞含意與意譯方向「必須」嚴格忠實於【參考資料】（小抄）的核心題意！絕對禁止自作聰明推翻小抄，或盲目腦補出與原句（如：刺自己）毫無關聯的離譜華語字面意思（如：獨立、現代、各做各的等）！
        
        【🛑 四行分析欄位鋼鐵定義】：
        - line1 (第一行)：【族語書寫文字】。請填入該{tribe}語句子的單字原形拆解。
        - line2 (第二行)：【族語構詞語法分析 (仍為族語文字)】。請保留族語文字，並精準標出前綴、中綴、連字號等構詞結構。
        - line3 (第三行)：【構詞語法分析 (華語解釋)】。必須完全使用「繁體中文」說明該單字或綴詞的語法功能或字義（如：焦點標記、主格、過去貌、喜歡、家）。【絕對禁止出現英文或國際語言學縮寫（如 FOC, NOM, AF）】！
        - translation (第四行)：【句子華語翻譯】。請將整句話翻譯成最自然流暢的完整華語/中文句子。

        3. 必須包含 'glossing' 結構，且 line1, line2, line3 必須是長度完全一致的陣列。
        {LINGUISTIC_RULES}
        
        【JSON 標準格式範例】：
        {{
          "is_long": false,
          "glossing": {{
             "line1": ["單字1", "單字2"],
             "line2": ["構詞1", "構詞2"],
             "line3": ["華語解釋1", "華語解釋2"]
          }},
          "explanation": "針對此句子語法的綜合重點解說內容",
          "translation": "整句句子的華語完整翻譯"
        }}
        
        參考資料：
        {context}
        """
        try:
            response = model.generate_content(prompt)
            clean_text = response.text.replace("```json", "").replace("```", "").strip()
            data = json.loads(clean_text)

            if "glossing" not in data:
                data["glossing"] = {
                    "line1": data.get("original", []),
                    "line2": data.get("morphemes", []),
                    "line3": data.get("gloss", [])
                }
            
            lines = ["line1", "line2", "line3"]
            max_l = max([len(data["glossing"].get(l, [])) if isinstance(data["glossing"].get(l), list) else 0 for l in lines] + [1])
            for l in lines:
                if l not in data["glossing"] or not isinstance(data["glossing"][l], list):
                    data["glossing"][l] = []
                while len(data["glossing"][l]) < max_l:
                    data["glossing"][l].append("")

            if 'explanation' in data:
                data['explanation'] = data['explanation'].replace("**", "").replace("'", "")
                
            # 🎯【核心修正】如果使用者輸入的句子本身就包含華語(中文)，強制將第四行校正為該中文！
            # 這樣不論 Gemini 怎麼腦補，第四行都絕對會是整齊的華語翻譯。
            if re.search(r'[\u4e00-\u9fff]', query):
                data['translation'] = query

            data['is_long'] = False
            return data
        except Exception as e:
            logger.error(f"JSON 解析錯誤: {e}")
            return {"is_long": True, "explanation": "自動轉為文字模式解析。", "translation": query}
            
# ----------------------------------------------------------------
# 3. 深度文化翻譯潤飾引擎 (經典三大防線 + 思考消音咒)
# ----------------------------------------------------------------
def deep_translation(source_text, target_text, tribe):
    context = get_context(source_text + " " + target_text, tribe) 
    model = genai.GenerativeModel(
        'models/gemini-3.5-flash',
        generation_config={"temperature": 0.0, "max_output_tokens": 4000}
    )
    
    prompt = f"""
    你是一位平易近人的{tribe}語翻譯專家。請參考資料對初稿進行深度潤飾與校正。

    【🛑 第一防線：語意與防腦補絕對限制】（最高優先級）
    1. 絕對忠實原文：翻譯內容必須 100% 貼合【原翻譯(華語)】的語意（如：這個學生自己刺自己）。原文沒有的主詞、時間或情境，【絕對禁止】自行添加！
    2. 🚨【強制摧毀一般翻譯的詞彙幻覺】🚨：一般翻譯（初稿）極度不可靠，經常出現嚴重的字詞幻覺（例如將『刺』錯譯為『迷路 mataohtaoh』）。你「絕對不准」盲目保留一般翻譯的動詞結構！
    3. 🚨【鋼鐵文法套用鐵律】🚨：你必須強制採用【參考資料】（小抄）中提供的高階權威反身文法骨架（如：Kis’anak’anak a ... a kislaupa）！請保持這個神級文法公式，僅根據使用者輸入的中文，將主語智慧替換為學生，並將指示代詞精準修正為「這個」（布農語中『這個學生』請使用一般翻譯對齊正確的 Maza andii isnanavaan 或相關正確詞彙），但動詞核心絕不准被一般翻譯帶偏！
    
    【🛑 第二防線：RAG 詞彙與領域限制】：
    1. 你的潤飾與選詞「必須」以底下的【參考資料】為依據進行事實查核。
    2. 嚴禁混入其他不相干族語的任何詞彙！當前為{tribe}語模式，回覆內容中【絕對不准】出現 any 太魯閣語、泰雅語或其他無關語別的詞彙、文法或說明！
    
    【🛑 第三防線：格式與品質禁令】：
    1. 嚴禁使用 ** 或 ` 或 ' 符號。
    2. 必須遵守{tribe}語的官方書寫規範。
    3. 說明必須白話、簡短，只要指出差異與簡單原因即可。
    4. 🛑【極重要（消音咒）】嚴禁在最終回覆中夾帶 any 英語、內部碎碎念、或自我辯證過程。你必須直接且唯一輸出規定的中文與族語標籤模板！
    
    請嚴格依照以下模板輸出（直接填寫內容，嚴禁修改標題）：

    【原翻譯(華語)】
    {source_text}

    【一般翻譯】
    {target_text}

    【深度翻譯】
    (填入以小抄 Kis’anak’anak 為骨架，並精準將指示詞校正為『這個』的權威{tribe}語)

    【潤飾說明】
    1. (明確指出將一般翻譯的錯誤動詞，修正為源自學術小抄的正宗反身結構與動詞。)
    2. (說明如何精準對齊『這個學生』的指示代詞。)
    
    參考資料：
    {context}
    """

    try:
        response = model.generate_content(prompt)
        res = response.text.strip().replace("**", "").replace("`", "").replace("'", "")
        return res
    except Exception as e:
        return f"【原翻譯(華語)】\n{source_text}\n\n【一般翻譯】\n{target_text}\n\n說明生成超時或發生錯誤。"