// 判断文件类型：能转成文本的才走 AI 处理
switch ext {
case ".pdf", ".docx", ".doc", ".txt", ".html", ".md":
    // 上传时自动转成 Google Docs 格式
    // 云存储会帮我们处理格式转换
    canConvert = true
}

// 提取文本：不管原文件是 PDF 还是 Word，统一导出为纯文本
func ExtractText(fileID string) (string, error) {
    resp, err := service.Files.Export(fileID, "text/plain").Download()
    if err != nil {
        return "", err
    }
    defer resp.Body.Close()
    
    content, err := io.ReadAll(resp.Body)
    if err != nil {
        return "", err
    }
    return string(content), nil
}

// ChunkText 重叠切片算法
// chunkSize = 每块字数，overlap = 重叠字数
func ChunkText(text string, chunkSize int, overlap int) []string {
    runes := []rune(text) // 处理中文，按字符切分
    var chunks []string
    
    for i := 0; i < len(runes); {
        end := i + chunkSize
        if end > len(runes) {
            end = len(runes)
        }
        chunks = append(chunks, string(runes[i:end]))
        if end == len(runes) {
            break
        }
        i = end - overlap // 后退 overlap 个字，实现重叠
    }
    return chunks
}

func GetEmbeddings(texts []string) ([][]float32, error) {
    // 设置 10 秒超时
    ctx, cancel := context.WithTimeout(context.Background(), 10*time.Second)
    defer cancel()

    client, err := NewGeminiClient(ctx, apiKey)
    if err != nil {
        return nil, err
    }
    model := client.EmbeddingModel("gemini-embedding-001")

    batch := model.NewBatch()
    for _, text := range texts {
        batch.AddContent(genai.Text(text))
    }

    // 一次调用嵌入所有文本
    res, err := model.BatchEmbedContents(ctx, batch)
    if err != nil {
        return nil, err
    }
    
    var embeddings [][]float32
    for _, item := range res.Embeddings {
        embeddings = append(embeddings, item.Values)
    }
    return embeddings, nil
}

// 事务保证：切片入库和状态更新要么都成功，要么都回滚
db.Transaction(func(tx *gorm.DB) error {
    // 批量写入切片
    if err := tx.CreateInBatches(&chunks, 50).Error; err != nil {
        return err
    }
    // 更新文档状态
    if err := tx.Model(&doc).Update("status", "done").Error; err != nil {
        return err
    }
    return nil
})

// SearchRelevantChunks 查找与问题向量最相似的切片
func SearchRelevantChunks(query string, topK int) ([]ChunkModel, error) {
    // 先把问题转成向量
    queryVectors, err := GetEmbeddings([]string{query})
    if err != nil {
        return nil, err
    }
    queryVector := queryVectors[0]

    var chunks []ChunkModel
    // 使用余弦距离（<=>）进行排序，值越小越相似
    db.Order("embedding <=> ?", queryVector).Limit(topK).Find(&chunks)
    return chunks, nil
}

// 拼接上下文：每段资料都带上标题和链接
var contextText string
for i, chunk := range chunks {
    contextText += fmt.Sprintf(
        "[资料 %d - 标题: %s | 链接: %s]\n内容: %s\n\n",
        i+1, chunk.Title, chunk.URL, chunk.Text,
    )
}

// 构造完整的 Prompt
prompt := fmt.Sprintf(`
【参考资料】:
%s
【用户提问】: %s
`, contextText, question)

【参考资料】:
[资料 1 - 标题: 员工手册 | 链接: https://internal.corp/docs/1]
内容: 员工每年享有 15 天带薪年假...

[资料 2 - 标题: 考勤制度 | 链接: https://internal.corp/docs/2]
内容: 请假需提前三天申请...

【用户提问】: 公司年假政策是什么？

// AskStream 核心 RAG 问答流式输出函数
func AskStream(ctx context.Context, question string, onChunk func(string)) error {
    // 1. 把问题转成向量并搜索最相关的 5 个切片
    queryVec := GetEmbedding(question)
    chunks := SearchTopK(queryVec, 5)
    
    // 2. 拼接 Prompt
    prompt := BuildPrompt(chunks, question)
    
    // 3. 调用 Gemini 流式接口，逐块读取
    iter := model.GenerateContentStream(ctx, prompt)
    for {
        resp, err := iter.Next()
        if err == iterator.Done {
            break // 生成完毕
        }
        if err != nil {
            return err
        }
        
        text := extractText(resp)
        if text != "" {
            onChunk(text) // 推送一小块字给前端
        }
    }
    onChunk("[DONE]") // 告诉前端：回答完了
    return nil
}