src/vector/vector_builder.py

"""
ベクトルストア構築ユーティリティ
"""

import logging
import os
from typing import List, Optional

from dotenv import load_dotenv
from langchain_chroma import Chroma
from langchain_core.documents import Document
from langchain_openai import OpenAIEmbeddings

from .embedding_storage import save_embeddings
from .loader import load_chunks_from_json, display_document_info

logger = logging.getLogger(__name__)

# .envファイルからAPIキーを読み込む
load_dotenv(dotenv_path=".env")


def build_vector_store(
    docs_path: str = 'data/processed/chunks.json',
    persist_dir: str = 'data/vector_store',
    model_name: str = 'text-embedding-3-small',
    save_embeddings_to_file: bool = True,
    embeddings_dir: str = 'data/embeddings'
) -> None:
    """
    ドキュメントチャンクからベクトルストアを構築し、必要に応じて埋め込みも保存する

    Args:
        docs_path: ドキュメントチャンクが格納されたJSONファイルのパス
        persist_dir: ベクトルストアを保存するディレクトリ
        model_name: 使用するOpenAI埋め込みモデル名
        save_embeddings_to_file: 埋め込みを別ファイルに保存するかどうか
        embeddings_dir: 埋め込みを保存するディレクトリ
    """
    logger.debug("OPENAI_API_KEY set: %s", bool(os.getenv("OPENAI_API_KEY")))
    logger.info("全てのインポートが成功しました")
    
    # チャンクJSONからドキュメントを読み込む
    docs_list = load_chunks_from_json(docs_path)
    
    # ドキュメント情報を表示
    display_document_info(docs_list)
    
    # OpenAI埋め込みを初期化
    embeddings = OpenAIEmbeddings(model=model_name)
    logger.info(f"埋め込みモデル初期化済み: {model_name}")
    
    # ドキュメントが存在する場合のみベクトルストアを作成
    if docs_list:
        # 全ドキュメントの埋め込みを生成
        texts = [doc.page_content for doc in docs_list]
        logger.info(f"{len(texts)}件のドキュメントに対して埋め込みを生成中...")
        vectors = embeddings.embed_documents(texts)
        
        # 埋め込みをファイルに保存する場合
        if save_embeddings_to_file:
            embeddings_file = save_embeddings(
                documents=docs_list,
                vectors=vectors,
                model_name=model_name,
                embeddings_dir=embeddings_dir
            )
            logger.info(f"埋め込みを保存しました: {embeddings_file}")
        
        # 生成した埋め込みでChromaベクトルストアを作成
        # Chromaは内部でストレージを管理するためfrom_documentsを利用
        db = Chroma.from_documents(docs_list, embeddings, persist_directory=persist_dir)
        logger.info(f"ベクトルストアを作成し保存しました: {persist_dir}")
        logger.info(f"{len(docs_list)}件のドキュメントチャンクをインデックス化しました")
    else:
        logger.error("インデックス化するドキュメントがありません。chunks.jsonファイルを確認してください。")
        raise ValueError("入力ファイルにドキュメントが見つかりません")


def search_vector_store(
    query: str,
    persist_dir: str = 'data/vector_store',
    k: int = 5,
    model_name: str = 'text-embedding-3-small'
) -> List[Document]:
    """
    ベクトルストアから関連ドキュメントを検索する

    Args:
        query: 検索クエリ
        persist_dir: ベクトルストアが保存されているディレクトリ
        k: 取得するドキュメント数
        model_name: 使用するOpenAI埋め込みモデル名

    Returns:
        関連ドキュメントのリスト
    """
    # OpenAI埋め込みを初期化
    embeddings = OpenAIEmbeddings(model=model_name)
    
    # 保存済みベクトルストアを読み込む
    db = Chroma(persist_directory=persist_dir, embedding_function=embeddings)
    
    # レトリーバーを作成
    retriever = db.as_retriever(
        search_type='similarity',
        search_kwargs={'k': k}
    )
    
    # 関連ドキュメントを取得
    docs = retriever.invoke(query)
    
    return docs