# 1) ইন্সটল করুন
# pip install llama-index llama-index-embeddings-openai llama-index-llms-openai

import os
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI

# 2) আপনার মডেল + এমবেডিং কনফিগার করুন
os.environ["OPENAI_API_KEY"] = "YOUR_KEY" # অথবা যেকোনো সমর্থিত LLM/embedding প্রদানকারী ব্যবহার করুন

llm = OpenAI(model="gpt-4o-mini")
embed_model = OpenAIEmbedding(model="text-embedding-3-small")

# 3) ডকুমেন্ট লোড করুন (যেমন, ./data/*.pdf, .md, .txt)
docs = SimpleDirectoryReader("./data").load_data

# 4) একটি ইনডেক্স তৈরি করুন
index = VectorStoreIndex.from_documents(docs, embed_model=embed_model)

# 5) একটি কোয়েরি ইঞ্জিন তৈরি করুন এবং একটি প্রশ্ন জিজ্ঞাসা করুন
query_engine = index.as_query_engine(llm=llm)
response = query_engine.query("ডকুমেন্টগুলিতে উল্লিখিত মূল সুরক্ষা অনুশীলনগুলি কী কী?")
print(response)

from llama_index.core import SimpleDirectoryReader
from llama_index.readers.web import SimpleWebPageReader

file_docs = SimpleDirectoryReader("./policies").load_data
web_docs = SimpleWebPageReader(html_to_text=True).load_data
all_docs = file_docs + web_docs

from llama_index.core.node_parser import SentenceSplitter
from llama_index.core import Document

parser = SentenceSplitter(chunk_size=800, chunk_overlap=100)

nodes = []
for d in all_docs:
nodes.extend(parser.get_nodes_from_documents([Document(text=d.text, metadata=d.metadata)]))

from llama_index.core import VectorStoreIndex, SummaryIndex
from llama_index.core.retrievers import BM25Retriever
from llama_index.core.query_engine import RetrieverQueryEngine

# পূর্ব-পার্স করা নোড থেকে ভেক্টর ইনডেক্স
v_index = VectorStoreIndex(nodes)

# BM25 কীওয়ার্ড রিট্রিভার
bm25_retriever = BM25Retriever.from_defaults(nodes=nodes, similarity_top_k=6)

# হাইব্রিড: প্রার্থীদের মার্জ করুন, তারপর রির‍্যাঙ্ক করুন
from llama_index.core.retrievers import RouterRetriever
from llama_index.retrievers.merge import MergerRetriever

v_retriever = v_index.as_retriever(similarity_top_k=6)
hybrid = MergerRetriever(retrievers=[v_retriever, bm25_retriever], top_k=8)

query_engine = RetrieverQueryEngine.from_args(retriever=hybrid)

from llama_index.postprocessor.flag_embedding_reranker import FlagEmbeddingReranker
from llama_index.core.query_engine import RetrieverQueryEngine

reranker = FlagEmbeddingReranker(top_n=5, model="BAAI/bge-reranker-base")

query_engine = v_index.as_query_engine(
similarity_top_k=12,
node_postprocessors=[reranker]
)

from llama_index.core.response_synthesizers import get_response_synthesizer
from llama_index.core import ServiceContext

synth = get_response_synthesizer(response_mode="tree_summarize")
query_engine = v_index.as_query_engine(response_synthesizer=synth)

ans = query_engine.query("অনবোর্ডিং ধাপগুলির সংক্ষিপ্তসার দিন এবং উৎস উদ্ধৃত করুন।")
print(ans)

from llama_index.core.prompts import PromptTemplate

qa_tmpl = PromptTemplate(
"""
আপনি একটি সংক্ষিপ্ত, প্রমাণ-প্রথম সহকারী। শুধুমাত্র প্রদত্ত প্রসঙ্গ ব্যবহার করুন।
যদি অনিশ্চিত হন, তাহলে বলুন আপনি জানেন না। কী সহ JSON ফেরত দিন: উত্তর, উৎস।

প্রশ্ন: {query_str}
প্রসঙ্গ: {context_str}
"""
)

query_engine = v_index.as_query_engine(text_qa_template=qa_tmpl)

from llama_index.core.agent import ReActAgent
from llama_index.tools.sql import SQLQueryEngineTool
from sqlalchemy import create_engine

engine = create_engine("sqlite:///analytics.db")
sql_tool = SQLQueryEngineTool.from_engine(engine)

agent = ReActAgent.from_tools([sql_tool], llm=llm, verbose=True)

agent.chat("Q2 2025-এ মাসিক চর্ন কত ছিল? প্রয়োজনে DB কোয়েরি করুন।")

from llama_index.core.evaluation import FaithfulnessEvaluator, RelevancyEvaluator

faith = FaithfulnessEvaluator(llm=llm)
rel = RelevancyEvaluator(llm=llm)

pred = query_engine.query("আমাদের নীতিতে SOC 2 নিয়ন্ত্রণ পরিবারগুলির তালিকা দিন।")
print("faithful?", faith.evaluate_response(pred))
print("relevant?", rel.evaluate_response(pred))

# উদাহরণ: Chroma
# pip install chromadb llama-index-vector-stores-chroma

from llama_index.vector_stores.chroma import ChromaVectorStore
from llama_index.core import StorageContext
import chromadb

chroma_client = chromadb.PersistentClient(path="./chroma_store")
collection = chroma_client.get_or_create_collection("company_knowledge")

vector_store = ChromaVectorStore(chroma_collection=collection)
storage_context = StorageContext.from_defaults(vector_store=vector_store)

index = VectorStoreIndex.from_documents(all_docs, storage_context=storage_context)

# উদাহরণ: কোয়েরি করার সময় মেটাডেটা-ভিত্তিক ফিল্টারিং
retriever = index.as_retriever(similarity_top_k=8)
retriever.metadata_filters = {"department": ["legal", "security"], "published": [True]}

# মিনিমাল FastAPI র‍্যাপার
# pip install fastapi uvicorn

from fastapi import FastAPI

app = FastAPI
qe = index.as_query_engine(llm=llm)

@app.post("/query")
async def query(payload: dict):
q = payload.get("q", "")
resp = qe.query(q)
return {"answer": str(resp), "sources": [s.node.metadata for s in resp.source_nodes]}