# backendv1.py
# A RAG rendszer motorja: adatfeldolgozás, keresés, generálás és tanulás.
# Végleges, refaktorált verzió. Gyors, egylépcsős generálással.

import os
import time
import datetime
import json
import re
from collections import defaultdict
from together import Together
from elasticsearch import Elasticsearch, exceptions as es_exceptions
import torch
from sentence_transformers import SentenceTransformer
from sentence_transformers.cross_encoder import CrossEncoder
from spellchecker import SpellChecker
import warnings
from dotenv import load_dotenv
import sys
import nltk
from concurrent.futures import ThreadPoolExecutor

# === ANSI Színkódok (konzol loggoláshoz) ===
GREEN = '\033[92m'
YELLOW = '\033[93m'
RED = '\033[91m'
RESET = '\033[0m'
BLUE = '\033[94m'
CYAN = '\033[96m'
MAGENTA = '\033[95m'

# --- Konfiguráció ---
CONFIG = {
    "ELASTIC_PASSWORD": os.environ.get("ES_PASSWORD", "T8xEbqQ4GAPkr73s2knN"),
    "ELASTIC_HOST": "https://localhost:9200",
    "VECTOR_INDEX_NAMES": ["duna", "dunawebindexai"],
    "FEEDBACK_INDEX_NAME": "feedback_index",
    "ES_CLIENT_TIMEOUT": 90,
    "EMBEDDING_MODEL_NAME": 'sentence-transformers/paraphrase-multilingual-mpnet-base-v2',
    "CROSS_ENCODER_MODEL_NAME": 'cross-encoder/mmarco-mMiniLMv2-L12-H384-v1',
    "TOGETHER_MODEL_NAME": "meta-llama/Llama-3.3-70B-Instruct-Turbo-Free",
    "QUERY_EXPANSION_MODEL": "mistralai/Mixtral-8x7B-Instruct-v0.1",
    "LLM_CLIENT_TIMEOUT": 120,
    "NUM_CONTEXT_RESULTS": 5,
    "RE_RANK_CANDIDATE_COUNT": 50,
    "RRF_RANK_CONSTANT": 60,
    "INITIAL_SEARCH_SIZE": 150,
    "KNN_NUM_CANDIDATES": 200,
    "MAX_GENERATION_TOKENS": 1024,
    "GENERATION_TEMPERATURE": 0.6,
    "USE_QUERY_EXPANSION": True,
    "SPELLCHECK_LANG": 'hu',
    "MAX_HISTORY_TURNS": 3,
    "HUNGARIAN_STOP_WORDS": set(
        ["a", "az", "egy", "és", "hogy", "ha", "is", "itt", "ki", "mi", "mit", "mikor", "hol", "hogyan", "nem", "ne",
         "de", "csak", "meg", "megint", "már", "mint", "még", "vagy", "valamint", "van", "volt", "lesz", "kell",
         "kellett", "lehet", "tud", "tudott", "fog", "fogja", "azt", "ezt", "ott", "ő", "ők", "én", "te", "mi", "ti",
         "ön", "önök", "maga", "maguk", "ilyen", "olyan", "amely", "amelyek", "aki", "akik", "ahol", "amikor", "mert",
         "ezért", "akkor", "így", "úgy", "pedig", "illetve", "továbbá", "azonban", "hanem", "viszont", "nélkül",
         "alatt", "felett", "között", "előtt", "után", "mellett", "bele", "be", "fel", "le", "át", "szembe", "együtt",
         "mindig", "soha", "gyakran", "néha", "talán", "esetleg", "biztosan", "nagyon", "kicsit", "éppen", "most",
         "majd", "azután", "először", "utoljára", "igen", "sem", "túl", "kivéve", "szerint"])
}


# --- Segédfüggvények ---

def correct_spellings(text, spell_checker_instance):
    """
    Kijavítja a helyesírási hibákat a szövegben.
    """
    if not spell_checker_instance:
        return text
    try:
        words = re.findall(r'\b\w+\b', text.lower())
        misspelled = spell_checker_instance.unknown(words)
        if not misspelled:
            return text

        corrected_text = text
        for word in misspelled:
            correction = spell_checker_instance.correction(word)
            if correction and correction != word:
                corrected_text = re.sub(r'\b' + re.escape(word) + r'\b', correction, corrected_text,
                                        flags=re.IGNORECASE)
        return corrected_text
    except Exception as e:
        print(f"{RED}Hiba a helyesírás javítása közben: {e}{RESET}")
        return text


def get_query_category_with_llm(client, query):
    """
    LLM-et használ a felhasználói kérdés kategorizálására, előre definiált listából választva.
    """
    if not client:
        return None
    print(f"  {CYAN}-> Lekérdezés kategorizálása LLM-mel...{RESET}")

    category_list = ['IT biztonsági szolgáltatások', 'szolgáltatások', 'hardver', 'szoftver', 'hírek',
                     'audiovizuális konferenciatechnika']
    categories_text = ", ".join([f"'{cat}'" for cat in category_list])

    prompt = f"""Adott egy felhasználói kérdés. Adj meg egyetlen, rövid kategóriát a következő listából, ami a legjobban jellemzi a kérdést. A válaszodban csak a kategória szerepeljen, más szöveg, magyarázat, vagy írásjelek nélkül.
Lehetséges kategóriák: {categories_text}
Kérdés: '{query}'
Kategória:"""
    messages = [{"role": "user", "content": prompt}]
    try:
        response = client.chat.completions.create(model=CONFIG["QUERY_EXPANSION_MODEL"], messages=messages,
                                                  temperature=0.1, max_tokens=30)
        if response and response.choices:
            category = response.choices[0].message.content.strip()
            category = re.sub(r'\(.*?\)', '', category).strip()
            category = re.sub(r'["\']', '', category).strip()

            for cat in category_list:
                if cat.lower() in category.lower():
                    print(f"  {GREEN}-> A kérdés LLM által generált kategóriája: '{cat}'{RESET}")
                    return cat.lower()

            print(f"  {YELLOW}-> Az LLM nem talált megfelelő kategóriát, 'egyéb' kategória használata.{RESET}")
            return 'egyéb'
    except Exception as e:
        print(f"{RED}Hiba LLM kategorizáláskor: {e}{RESET}")
    return 'egyéb'


def expand_or_rewrite_query(original_query, client):
    """
    Bővíti a felhasználói lekérdezést, hogy több releváns találat legyen.
    """
    final_queries = [original_query]
    if not CONFIG["USE_QUERY_EXPANSION"]:
        return final_queries

    print(f"  {BLUE}-> Lekérdezés bővítése/átírása...{RESET}")
    # JAVÍTOTT PROMPT: csak kulcsszavakat kérünk, magyarázat nélkül
    prompt = f"Adott egy magyar nyelvű felhasználói kérdés: '{original_query}'. Generálj 2 db alternatív, releváns keresőkifejezést. A válaszodban csak ezeket add vissza, vesszővel (,) elválasztva, minden más szöveg nélkül."
    messages = [{"role": "user", "content": prompt}]
    try:
        response = client.chat.completions.create(model=CONFIG["QUERY_EXPANSION_MODEL"], messages=messages,
                                                  temperature=0.5, max_tokens=100)
        if response and response.choices:
            generated_text = response.choices[0].message.content.strip()
            # Módosítva: eltávolítjuk a felesleges karaktereket és magyarázó szöveget
            alternatives = [q.strip().replace('"', '').replace("'", '').replace('.', '') for q in
                            generated_text.split(',') if q.strip() and q.strip() != original_query]
            final_queries.extend(alternatives)
            print(f"  {GREEN}-> Bővített lekérdezések: {final_queries}{RESET}")
    except Exception as e:
        print(f"{RED}Hiba a lekérdezés bővítése során: {e}{RESET}")
    return final_queries


def run_separate_searches(es_client, query_text, embedding_model, expanded_queries, query_category=None):
    """
    Párhuzamosan futtatja a kulcsszavas és a kNN kereséseket.
    """
    results = {'knn': {}, 'keyword': {}}
    es_client_with_timeout = es_client.options(request_timeout=CONFIG["ES_CLIENT_TIMEOUT"])
    source_fields = ["text_content", "source_url", "summary", "category"]

    filters = []

    # DRASZTIKUS VÁLTOZTATÁS:
    # A kategóriaszűrés logikája kikapcsolva. A lekérdezés a teljes indexben fut.
    # Ha a probléma a szűrésben van, ezzel a lépéssel azonosítható.
    # A felhasználó igénye szerint vissza lehet kapcsolni, de először a teljes működését kell biztosítani.
    # if query_category and query_category != 'egyéb':
    #     print(f"  {MAGENTA}-> Kategória-alapú szűrés hozzáadása a kereséshez: '{query_category}'{RESET}")
    #     filters.append({"match": {"category": query_category}})

    def knn_search(index, query_vector):
        try:
            knn_query = {"field": "embedding", "query_vector": query_vector, "k": CONFIG["INITIAL_SEARCH_SIZE"],
                         "num_candidates": CONFIG["KNN_NUM_CANDIDATES"], "filter": filters}
            response = es_client_with_timeout.search(index=index, knn=knn_query, _source=source_fields,
                                                     size=CONFIG["INITIAL_SEARCH_SIZE"])
            return index, response.get('hits', {}).get('hits', [])
        except Exception as e:
            print(f"{RED}Hiba kNN keresés során ({index}): {e}{RESET}")
            return index, []

    def keyword_search(index, expanded_queries):
        try:
            should_clauses = []
            for q in expanded_queries:
                should_clauses.append({"match": {"text_content": {"query": q, "operator": "OR", "fuzziness": "AUTO"}}})

            query_body = {"query": {"bool": {"should": should_clauses, "minimum_should_match": 1, "filter": filters}}}
            response = es_client_with_timeout.search(index=index, query=query_body['query'], _source=source_fields,
                                                     size=CONFIG["INITIAL_SEARCH_SIZE"])
            return index, response.get('hits', {}).get('hits', [])
        except Exception as e:
            print(f"{RED}Hiba kulcsszavas keresés során ({index}): {e}{RESET}")
            return index, []

    query_vector = None
    try:
        query_vector = embedding_model.encode(query_text, normalize_embeddings=True).tolist()
    except Exception as e:
        print(f"{RED}Hiba az embedding generálásakor: {e}{RESET}")

    with ThreadPoolExecutor(max_workers=len(CONFIG["VECTOR_INDEX_NAMES"]) * 2) as executor:
        knn_futures = {executor.submit(knn_search, index, query_vector) for index in CONFIG["VECTOR_INDEX_NAMES"] if
                       query_vector}
        keyword_futures = {executor.submit(keyword_search, index, expanded_queries) for index in
                           CONFIG["VECTOR_INDEX_NAMES"]}

        for future in knn_futures:
            index, hits = future.result()
            results['knn'][index] = [(rank + 1, hit) for rank, hit in enumerate(hits)]

        for future in keyword_futures:
            index, hits = future.result()
            results['keyword'][index] = [(rank + 1, hit) for rank, hit in enumerate(hits)]

    # ÚJ LOGOLÁS: Kiírjuk a keresési találatok számát
    total_knn_hits = sum(len(h) for h in results['knn'].values())
    total_keyword_hits = sum(len(h) for h in results['keyword'].values())
    print(f"{CYAN}Vektorkeresési találatok száma: {total_knn_hits}{RESET}")
    print(f"{CYAN}Kulcsszavas keresési találatok száma: {total_keyword_hits}{RESET}")

    return results


def merge_results_rrf(search_results):
    """
    Egyesíti a keresési eredményeket az RRF algoritmussal.
    """
    rrf_scores = defaultdict(float)
    all_hits_data = {}
    for search_type in search_results:
        for index_name in search_results[search_type]:
            for rank, hit in search_results[search_type][index_name]:
                doc_id = hit['_id']
                rrf_scores[doc_id] += 1.0 / (CONFIG["RRF_RANK_CONSTANT"] + rank)
                if doc_id not in all_hits_data:
                    all_hits_data[doc_id] = hit

    combined_results = [(doc_id, score, all_hits_data[doc_id]) for doc_id, score in rrf_scores.items()]
    combined_results.sort(key=lambda item: item[1], reverse=True)

    # ÚJ LOGOLÁS: Kiírjuk az RRF által rangsorolt top 5 pontszámot
    print(
        f"{CYAN}RRF által rangsorolt Top 5 pontszám: {[f'{score:.4f}' for doc_id, score, hit in combined_results[:5]]}{RESET}")

    return combined_results


def retrieve_context_reranked(backend, query_text, confidence_threshold, fallback_message, query_category):
    """
    Lekéri a kontextust a rangsorolás után.
    """
    es_client = backend["es_client"]
    embedding_model = backend["embedding_model"]
    cross_encoder = backend["cross_encoder"]
    llm_client = backend["llm_client"]

    # DRASZTIKUS VÁLTOZTATÁS: A kategória-alapú szűrés kikapcsolva.
    expanded_queries = expand_or_rewrite_query(query_text, llm_client)
    search_results = run_separate_searches(es_client, query_text, embedding_model, expanded_queries)

    merged_results = merge_results_rrf(search_results)
    top_score = None

    if not merged_results:
        print(f"{YELLOW}A keresés nem hozott eredményt.{RESET}")
        return fallback_message, [], top_score

    candidates_to_rerank = merged_results[:CONFIG["RE_RANK_CANDIDATE_COUNT"]]
    hits_data_for_reranking = [hit for _, _, hit in candidates_to_rerank]

    query_chunk_pairs = [[query_text, hit['_source'].get('summary', hit['_source'].get('text_content'))] for hit in
                         hits_data_for_reranking if hit and '_source' in hit]

    ranked_by_ce = []
    if cross_encoder and query_chunk_pairs:
        try:
            ce_scores = cross_encoder.predict(query_chunk_pairs, show_progress_bar=False)
            ranked_by_ce = sorted(zip(ce_scores, hits_data_for_reranking), key=lambda x: x[0], reverse=True)
            print(f"{CYAN}Cross-Encoder pontszámok (Top 5):{RESET} {[f'{score:.4f}' for score, _ in ranked_by_ce[:5]]}")
        except Exception as e:
            print(f"{RED}Hiba a Cross-Encoder során: {e}{RESET}")
            ranked_by_ce = []

    if not ranked_by_ce and candidates_to_rerank:
        print(f"{YELLOW}[INFO] Cross-Encoder nem futott, RRF sorrend használata.{RESET}")
        ranked_by_ce = sorted([(score, hit) for _, score, hit in candidates_to_rerank], key=lambda x: x[0],
                              reverse=True)

    if not ranked_by_ce:
        return fallback_message, [], top_score

    top_score = float(ranked_by_ce[0][0])
    print(f"{GREEN}Legjobb találat pontszáma: {top_score:.4f}{RESET}")

    if top_score < confidence_threshold:
        print(
            f"{YELLOW}A legjobb találat pontszáma ({top_score:.4f}) nem érte el a beállított küszöböt ({confidence_threshold}). A folyamat leáll.{RESET}")
        dynamic_fallback = (
            f"{fallback_message}\n\n"
            f"A '{query_text}' kérdésre a legjobb találat megbízhatósági pontszáma ({top_score:.2f}) "
            f"nem érte el a beállított küszöböt ({confidence_threshold:.2f})."
        )
        return dynamic_fallback, [], top_score

    print(f"{GREEN}A Cross-Encoder magabiztos (legjobb score: {top_score:.4f}). A rangsorát használjuk.{RESET}")
    final_hits_for_context = [hit for _, hit in ranked_by_ce[:CONFIG["NUM_CONTEXT_RESULTS"]]]

    context_parts = [hit['_source'].get('summary', hit['_source'].get('text_content')) for hit in final_hits_for_context
                     if
                     hit and '_source' in hit and (hit['_source'].get('summary') or hit['_source'].get('text_content'))]
    context_string = "\n\n---\n\n".join(context_parts)

    sources = []
    for hit_data in final_hits_for_context:
        if hit_data and '_source' in hit_data:
            source_info = {
                "url": hit_data['_source'].get('source_url', hit_data.get('_index', '?')),
                "content": hit_data['_source'].get('text_content', 'N/A')
            }
            if source_info not in sources:
                sources.append(source_info)

    return context_string, sources, top_score


def generate_answer_with_history(client, model_name, messages, temperature):
    """
    Válasz generálása LLM-mel, figyelembe véve az előzményeket.
    """
    try:
        response = client.chat.completions.create(
            model=model_name,
            messages=messages,
            temperature=temperature,
            max_tokens=CONFIG["MAX_GENERATION_TOKENS"],
            timeout=CONFIG["LLM_CLIENT_TIMEOUT"]
        )
        if response and response.choices:
            return response.choices[0].message.content.strip()
        return "Hiba: Nem érkezett érvényes válasz az AI modelltől."
    except Exception as e:
        error_message = str(e)
        if "429" in error_message:
            wait_time = 100
            print(f"{YELLOW}Rate limit elérve. A program vár {wait_time} másodpercet...{RESET}")
            time.sleep(wait_time)
            return generate_answer_with_history(client, model_name, messages, temperature)
        print(f"{RED}Hiba a válasz generálásakor: {e}{RESET}")
        return "Hiba történt az AI modell hívásakor."


def search_in_feedback_index(es_client, embedding_model, question, min_score=0.75):
    """
    Keres a visszajelzési adatbázisban a hasonló kérdésekre.
    """
    try:
        embedding = embedding_model.encode(question, normalize_embeddings=True).tolist()
        knn_query = {"field": "embedding", "query_vector": embedding, "k": 1, "num_candidates": 10}
        response = es_client.search(index=CONFIG["FEEDBACK_INDEX_NAME"], knn=knn_query,
                                    _source=["question_text", "correction_text"])
        hits = response.get('hits', {}).get('hits', [])
        if hits and hits[0]['_score'] >= min_score:
            top_hit = hits[0]
            source = top_hit['_source']
            score = top_hit['_score']

            if score > 0.98:
                return "direct_answer", source['correction_text']

            instruction = f"Egy nagyon hasonló kérdésre ('{source['question_text']}') korábban a következő javítást/iránymutatást adtad: '{source['correction_text']}'. A válaszodat elsősorban ez alapján alkosd meg, még akkor is, ha a talált kontextus mást sugall!"
            return "instruction", instruction

        return None, None
    except es_exceptions.NotFoundError:
        return None, None
    except Exception:
        return None, None


def index_feedback(es_client, embedding_model, question, correction):
    """
    Indexeli a visszajelzést.
    """
    try:
        embedding = embedding_model.encode(question, normalize_embeddings=True).tolist()
        doc = {"question_text": question, "correction_text": correction, "embedding": embedding,
               "timestamp": datetime.datetime.now()}
        es_client.index(index=CONFIG["FEEDBACK_INDEX_NAME"], document=doc)
        print(f"Visszajelzés sikeresen indexelve a '{CONFIG['FEEDBACK_INDEX_NAME']}' indexbe.")
        return True
    except Exception as e:
        print(f"{RED}Hiba a visszajelzés indexelése során: {e}{RESET}")
        return False


def get_all_feedback(es_client, index_name):
    """
    Lekéri az összes visszajelzést.
    """
    try:
        response = es_client.search(index=index_name, query={"match_all": {}}, size=1000,
                                    sort=[{"timestamp": {"order": "desc"}}])
        return response.get('hits', {}).get('hits', [])
    except es_exceptions.NotFoundError:
        return []
    except Exception as e:
        print(f"{RED}Hiba a visszajelzések listázása során: {e}{RESET}")
        return []


def delete_feedback_by_id(es_client, index_name, doc_id):
    """
    Töröl egy visszajelzést ID alapján.
    """
    try:
        es_client.delete(index=index_name, id=doc_id)
        return True
    except Exception as e:
        print(f"{RED}Hiba a visszajelzés törlése során (ID: {doc_id}): {e}{RESET}")
        return False


def update_feedback_comment(es_client, index_name, doc_id, new_comment):
    """
    Frissít egy visszajelzést ID alapján.
    """
    try:
        es_client.update(index=index_name, id=doc_id, doc={"correction_text": new_comment})
        return True
    except Exception as e:
        print(f"{RED}Hiba a visszajelzés szerkesztése során (ID: {doc_id}): {e}{RESET}")
        return False


def initialize_backend():
    """
    Inicializálja a backend komponenseit.
    """
    print("----- Backend Motor Inicializálása -----")
    load_dotenv()
    try:
        nltk.data.find('tokenizers/punkt')
    except LookupError:
        nltk.download('punkt', quiet=True)

    warnings.filterwarnings("ignore", message=".*verify_certs=False.*")

    spell_checker = None
    try:
        spell_checker = SpellChecker(language=CONFIG["SPELLCHECK_LANG"])
        custom_words = ["dunaelektronika", "kft", "outsourcing", "dell", "lenovo", "nis2", "szerver", "kliens",
                        "hálózati", "hpe"]
        spell_checker.word_frequency.load_words(custom_words)
    except Exception as e:
        print(f"{RED}Helyesírás-ellenőrző hiba: {e}{RESET}")

    backend_objects = {
        "es_client": Elasticsearch(CONFIG["ELASTIC_HOST"], basic_auth=("elastic", CONFIG["ELASTIC_PASSWORD"]),
                                   verify_certs=False),
        "embedding_model": SentenceTransformer(CONFIG["EMBEDDING_MODEL_NAME"],
                                               device='cuda' if torch.cuda.is_available() else 'cpu'),
        "cross_encoder": CrossEncoder(CONFIG["CROSS_ENCODER_MODEL_NAME"],
                                      device='cuda' if torch.cuda.is_available() else 'cpu'),
        "llm_client": Together(api_key=os.getenv("TOGETHER_API_KEY")),
        "spell_checker": spell_checker
    }

    print(f"{GREEN}----- Backend Motor Készen Áll -----{RESET}")
    return backend_objects


def process_query(user_question, chat_history, backend, confidence_threshold, fallback_message):
    """
    A teljes lekérdezés-feldolgozási munkafolyamatot vezérli.
    """
    print(f"\n{BLUE}----- Új lekérdezés feldolgozása ----{RESET}")
    print(f"{BLUE}Kérdés: {user_question}{RESET}")

    corrected_question = correct_spellings(user_question, backend["spell_checker"])
    print(f"{BLUE}Javított kérdés: {corrected_question}{RESET}")

    feedback_type, feedback_content = search_in_feedback_index(
        backend["es_client"], backend["embedding_model"], corrected_question
    )

    if feedback_type == "direct_answer":
        print(f"{GREEN}Direkt válasz a visszajelzési adatbázisból.{RESET}")
        return {
            "answer": feedback_content,
            "sources": [
                {"url": "Személyes visszajelzés alapján", "content": "Ez egy korábban megadott, pontosított válasz."}],
            "corrected_question": corrected_question,
            "confidence_score": 10.0
        }

    feedback_instructions = feedback_content if feedback_type == "instruction" else None

    query_category = get_query_category_with_llm(backend["llm_client"], corrected_question)

    retrieved_context, sources, confidence_score = retrieve_context_reranked(backend, corrected_question,
                                                                             confidence_threshold, fallback_message,
                                                                             query_category)

    if not sources and not feedback_instructions:
        return {
            "answer": retrieved_context,
            "sources": [],
            "corrected_question": corrected_question,
            "confidence_score": confidence_score
        }

    prompt_instructions = ""
    if feedback_instructions:
        prompt_instructions = f"""
KÜLÖNLEGESEN FONTOS FEJLESZTŐI UTASÍTÁS (ezt vedd figyelembe a leginkább!):
---
{feedback_instructions}
---
"""

    system_prompt = f"""Te egy professzionális, segítőkész AI asszisztens vagy.
A feladatod, hogy a KONTEXTUS-ból és a FEJLESZTŐI UTASÍTÁSOKBÓL származó információkat egyetlen, jól strukturált és ismétlés-mentes válasszá szintetizálld.
{prompt_instructions}
KRITIKUS SZABÁLY: Értékeld a kapott KONTEXTUS relevanciáját a felhasználó kérdéséhez képest. Ha egy kontextus-részlet nem kapcsolódik szorosan a kérdéshez, azt hagyd figyelmen kívül!
FIGYELEM: Szigorúan csak a megadott KONTEXTUS-ra és a fejlesztői utasításokra támaszkodj. Ha a releváns információk alapján nem tudsz válaszolni, add ezt a választ: '{fallback_message}'
KONTEXTUS:
---
{retrieved_context if sources else "A tudásbázisban nem található releváns információ."}
---
ELŐZMÉNYEK (ha releváns): Lásd a korábbi üzeneteket.
"""

    messages_for_llm = []
    if chat_history:
        messages_for_llm.extend(chat_history[-(CONFIG["MAX_HISTORY_TURNS"] * 2):])

    messages_for_llm.append({"role": "system", "content": system_prompt})
    messages_for_llm.append({"role": "user", "content": corrected_question})

    answer = generate_answer_with_history(
        backend["llm_client"], CONFIG["TOGETHER_MODEL_NAME"], messages_for_llm, CONFIG["GENERATION_TEMPERATURE"]
    )

    return {
        "answer": answer,
        "sources": sources,
        "corrected_question": corrected_question,
        "confidence_score": confidence_score
    }