TCAS ChatBot

// RAG Pipeline: ค้นหาข้อมูล TCAS ที่เกี่ยวข้องก่อน Generate คำตอบ
async function generateChatResponse(userMessage: string) {
  // 1. Embed คำถามของผู้ใช้เป็น Vector
  const queryEmbedding = await embedText(userMessage);
  
  // 2. Semantic Search หาข้อมูล TCAS ที่ใกล้เคียงที่สุด
  const relevantChunks = await searchSimilarChunks(queryEmbedding, {
    topK: 5,
    threshold: 0.7,
  });
  
  // 3. สร้าง Context จากข้อมูลที่ค้นพบ
  const context = relevantChunks
    .map((chunk) => chunk.content)
    .join("\n\n---\n\n");
  
  // 4. ส่งให้ Gemini AI สร้างคำตอบโดยใช้ Context
  const response = await gemini.generateContent({
    contents: [{
      role: "user",
      parts: [{ text: buildPrompt(context, userMessage) }],
    }],
  });
  
  return response.text();
}

// Token Rate Limiting: จำกัด 20 tokens ต่อ session
export async function checkAndDeductToken(
  sessionId: string
): Promise<{ allowed: boolean; remaining: number }> {
  const key = `tokens:${sessionId}`;
  const MAX_TOKENS = 20;
  
  const current = await redis.get(key);
  const used = current ? parseInt(current) : 0;
  
  if (used >= MAX_TOKENS) {
    return { allowed: false, remaining: 0 };
  }
  
  await redis.incr(key);
  await redis.expire(key, 86400); // Reset ทุก 24 ชั่วโมง
  
  return {
    allowed: true,
    remaining: MAX_TOKENS - used - 1,
  };
}

// Semantic Search: ค้นหาคณะใกล้เคียงด้วย Cosine Similarity
function cosineSimilarity(vecA: number[], vecB: number[]): number {
  const dotProduct = vecA.reduce((sum, a, i) => sum + a * vecB[i], 0);
  const magnitudeA = Math.sqrt(vecA.reduce((sum, a) => sum + a * a, 0));
  const magnitudeB = Math.sqrt(vecB.reduce((sum, b) => sum + b * b, 0));
  return dotProduct / (magnitudeA * magnitudeB);
}

export async function findSimilarFaculties(
  targetFaculty: Faculty
): Promise<SimilarFaculty[]> {
  // Embed ชื่อและรายละเอียดคณะเป้าหมาย
  const targetEmbedding = await embedText(
    `${targetFaculty.name} ${targetFaculty.description}`
  );
  
  // คำนวณ Similarity กับทุกคณะในฐานข้อมูล
  const similarities = allFaculties.map((faculty) => ({
    faculty,
    score: cosineSimilarity(targetEmbedding, faculty.embedding),
  }));
  
  // เรียงลำดับและส่งคืน Top 10
  return similarities
    .sort((a, b) => b.score - a.score)
    .slice(1, 11); // ข้ามตัวเอง
}