app.py

import os 
import json
import gradio as gr

from uuid import uuid4
from pprint import pprint
from dotenv import load_dotenv
from qdrant_client import QdrantClient
from fastembed import TextEmbedding
from langchain_core.documents import Document
from src.utils.qdrant_vector_store import QdrantVectorStore, RetrievalMode
from src.utils.fastembed_manager import add_custom_embedding_model
from src.utils.fastembed_sparse import FastEmbedSparse



from qdrant_client import QdrantClient
from qdrant_client.http import models
load_dotenv()


COLLECTION_NAME = "test_collection"
qdrant_api_key = "eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJhY2Nlc3MiOiJtIn0.T97XMDCPTieAz5kVDkKtF0_HU_9BkFA71tH2j4WovkU"
qdrant_endpoint = "https://9ea9b30f-4284-455b-bbae-65e4e458ed35.europe-west3-0.gcp.cloud.qdrant.io"
qdrant_client = QdrantClient(
    url=qdrant_endpoint,
    api_key=qdrant_api_key,
    prefer_grpc=True,
)
sparse_embeddings = FastEmbedSparse(model_name="Qdrant/BM25")
embedding = add_custom_embedding_model(
                model_name="models/Vietnamese_Embedding_OnnX_Quantized",
                source_model="Mint1456/Vietnamese_Embedding_OnnX_Quantized", 
                dim=1024,
                source_file="model.onnx"
            )
client = QdrantVectorStore(
    client=qdrant_client,
    collection_name=COLLECTION_NAME,
    embedding=embedding,
    sparse_embedding=sparse_embeddings,
    retrieval_mode=RetrievalMode.HYBRID,
)

def search_document(query, top_k, search_type, slider_lambda):
    if not query.strip():
        return "⚠️ Enter query to look up!"
    try:
        if search_type == "Default":
            hits = client.similarity_search_with_score(query=query,k=top_k)
        else:

            hits = client.max_marginal_relevance_search_with_score(query=query, k=top_k, lambda_mult=slider_lambda)
    except Exception as e:
        print("error", e)

    total_found = len(hits)
    if total_found == 0:
        return json.dumps([], indent=2)

    # Nếu tìm được 10 mà đòi 15 -> chỉ lấy 10. Nếu tìm được 100 mà đòi 15 -> lấy 15
    safe_k = min(top_k, total_found)
    results = []
    for i in range(safe_k):
        hit = hits[i]
        if hit[0].metadata.get('parent_chunking', None) is not None:
            content = hit[0].metadata['parent_chunking']
        elif hit[0].metadata.get('type', None) == "intro":
            content = hit[0].page_content
        else:
            content = None
        results.append({
            "Score": round(hit[1], 4),
            "Content": content,
            # "Metadata:": {k: v for k, v in hit[0].metadata.items() if k != "page_content"}
        })
    
    return json.dumps(results, indent=2, ensure_ascii=False)

# --- GIAO DIỆN GRADIO ---

with gr.Blocks(title="Qdrant Vector DB Demo") as demo:
    gr.Markdown("# 🚀 Demo Qdrant Vector Search")
    gr.Markdown("Tool test nhanh khả năng thêm dữ liệu và tìm kiếm ngữ nghĩa (Semantic Search).")


    with gr.Tab("2. Tìm Kiếm (Search)"):
            with gr.Row():
                with gr.Column(scale=1):
                    txt_query = gr.Textbox(label="Câu truy vấn", placeholder="Ví dụ: Tìm về một số thông tin trên website Bệnh Viện Tâm Anh", lines=2)
                    gr.Examples(
                    examples=[
                            "Rủi ro khi khâu cổ tử cung",
                            "Biến chứng của tràn dịch phổi",
                            "Triệu chứng của viêm phế quản",
                            "Phòng ngừa đau tim"
                        ],
                        inputs=txt_query,
                        label="Ví dụ mẫu (Click để chọn)"
                    )
                    # Component mới: Chọn thuật toán
                    radio_type = gr.Radio(
                        choices=["Default", "MMR"], 
                        value="Default", 
                        label="Search Type",
                        info="Default: Giống nhất | MMR: Đa dạng kết quả"
                    )
                    
                    # Component mới: Slider cho MMR
                    # visible=False mặc định, sẽ hiện khi chọn MMR (nếu bạn muốn làm xịn, ở đây để luôn True cho dễ)
                    slider_lambda = gr.Slider(
                        minimum=0.0, maximum=1.0, value=0.5, step=0.1, 
                        label="Độ đa dạng (Lambda)",
                        info="1.0 = Chính xác nhất (như Default), 0.0 = Đa dạng nhất"
                    )

                    slider_k = gr.Slider(minimum=1, maximum=20, value=3, step=1, label="Số lượng kết quả (Top K)")
                    
                    btn_search = gr.Button("🔍 Tìm kiếm ngay", variant="primary")
                
                with gr.Column(scale=2):
                    out_search = gr.Code(label="Kết quả trả về (JSON)", language="json")
            
            # Cập nhật inputs truyền vào hàm search
            btn_search.click(
                search_document, 
                inputs=[txt_query, slider_k, radio_type, slider_lambda], 
                outputs=out_search
            )


print("Launching server on 0.0.0.0:7860...")
demo.launch(
    server_name="0.0.0.0",
    server_port=7860,
    share=False,
    show_error=True,
)