import torch
import chromadb
from sentence_transformers import SentenceTransformer
from datasets import Dataset
from peft import LoraConfig, get_peft_model
from transformers import AutoModelForCausalLM, AutoTokenizer, TrainingArguments, Trainer

# 1️⃣ Inicjalizacja ChromaDB i modelu do embeddingów
chroma_client = chromadb.PersistentClient(path="./chroma_db")
collection = chroma_client.get_or_create_collection("my_embeddings")
embed_model = SentenceTransformer("all-MiniLM-L6-v2")

# 2️⃣ Dodanie dokumentów i embeddingów
documents = [
    "Jak założyć firmę w Polsce?", 
    "Jak rozliczyć podatek VAT?", 
    "Procedura składania reklamacji w e-sklepie.",
    "Jakie dokumenty są potrzebne do rejestracji działalności?"
]
embeddings = embed_model.encode(documents).tolist()

for i, (doc, emb) in enumerate(zip(documents, embeddings)):
    collection.add(ids=[str(i)], documents=[doc], embeddings=[emb])

# 3️⃣ Przygotowanie danych treningowych
def create_training_data():
    data = collection.get(include=["documents", "embeddings"])
    return Dataset.from_dict({
        "text": data["documents"],
        "embedding": data["embeddings"]
    })

dataset = create_training_data()

# 4️⃣ Ładowanie modelu Gemma 2 7B
device = "cuda" if torch.cuda.is_available() else "cpu"
model_name = "google/gemma-7b"
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16).to(device)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 5️⃣ Konfiguracja LoRA dla efektywnego treningu
lora_config = LoraConfig(
    r=8, lora_alpha=32, lora_dropout=0.1, bias="none", task_type="CAUSAL_LM"
)
model = get_peft_model(model, lora_config)

# 6️⃣ Tokenizacja danych
def tokenize_function(examples):
    return tokenizer(examples["text"], padding="max_length", truncation=True)

tokenized_dataset = dataset.map(tokenize_function, batched=True)

# 7️⃣ Parametry treningu
training_args = TrainingArguments(
    output_dir="./results",
    per_device_train_batch_size=2,
    num_train_epochs=3,
    logging_dir="./logs",
    save_strategy="epoch"
)

# 8️⃣ Trening modelu
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset,
)

trainer.train()

# 9️⃣ Zapisanie dostrojonego modelu
model.save_pretrained("./trained_model/gemma")
tokenizer.save_pretrained("./trained_model/gemma")

print("✅ Model został wytrenowany i zapisany!")