"""
سرویس تعبیه‌سازی متن با Avalai API (OpenAI-compatible)
"""
import os
from typing import overload

from openai import OpenAI

from .config import load_rag_config, RAGConfig


def _get_avalai_client(config: RAGConfig | None) -> OpenAI:
    """ساخت کلاینت OpenAI برای Avalai API."""
    cfg = config or load_rag_config()
    emb = cfg.embedding
    env_var = emb.api_key_env or "AVALAI_API_KEY"
    api_key = os.environ.get(env_var)
    base_url = emb.base_url or os.environ.get(
        "AVALAI_BASE_URL", "https://api.avalai.ir/v1"
    )
    return OpenAI(api_key=api_key, base_url=base_url)


def embed_texts(
    texts: list[str],
    config: RAGConfig | None = None,
    model: str | None = None,
    dimensions: int | None = None,
) -> list[list[float]]:
    """
    تعبیه‌سازی لیست متن‌ها با Avalai.

    Args:
        texts: لیست رشته‌های ورودی
        config: تنظیمات RAG (پیش‌فرض: load_rag_config)
        model: نام مدل (override از config)
        dimensions: تعداد ابعاد (فقط برای مدل‌های پشتیبانی‌کننده)

    Returns:
        لیست وکتورها
    """
    if not texts:
        return []

    cfg = config or load_rag_config()
    client = _get_avalai_client(cfg)
    model_name = model or cfg.embedding.model
    batch_size = cfg.embedding.batch_size

    all_embeddings: list[list[float]] = []
    extra = {}
    if dimensions is not None:
        extra["dimensions"] = dimensions

    for i in range(0, len(texts), batch_size):
        batch = texts[i : i + batch_size]
        resp = client.embeddings.create(
            model=model_name,
            input=batch,
            **extra,
        )
        for item in sorted(resp.data, key=lambda x: x.index):
            all_embeddings.append(item.embedding)

    return all_embeddings


def embed_single(text: str, config: RAGConfig | None = None, **kwargs) -> list[float]:
    """تعبیه‌سازی یک متن. خروجی مستقیماً یک وکتور است."""
    vecs = embed_texts([text], config=config, **kwargs)
    return vecs[0] if vecs else []