create or replace FUNCTION fnc_26ai_tech_rag(p_query VARCHAR2, 
                                          p_top_k IN NUMBER ,
                                          p_credential in varchar2 default 'OCI_CRED',
                                          p_app_user in varchar2 default V('APP_USER') ) 
RETURN CLOB IS
/*

  Criado por: fernando.leal@oracle.com
  Data: Mar/2026
  Objetivo: demonstrar casos de uso do Oracle AI Database 26ai

  v1 - funcao de RAG para estudo explorar "fale com seus dados" TECH - leal

*/
   v_context  CLOB;
   v_pre_prompt clob;
   v_prompt clob;
   v_pre_prompt2 clob;
   params_genai CLOB;
   output CLOB;
   query_vec VECTOR;
   -- https://docs.oracle.com/en/database/oracle/oracle-database/23/arpls/dbms_vector_chain1.html#GUID-017C9002-194C-48E5-B59B-EF5C60BC8405
   v_llm varchar2(20) := 'LLAMA4'; -- [ LLAMA4 | OPENAI  ]

BEGIN

  -- embedding do prompt para dedicated
  query_vec := to_vector(   fnc_26ai_embed ( p_string => p_query, p_emb_type => 'COHERE' ) ) ;
  
  for message_cursor in (
                        select lv.ID as DOCID, 
                               lv.EMBED_DATA  as BODY, 
                               vector_distance( lv.EMBED_VECTOR, query_vec, cosine ) AS SCORE
                        from TB_26AI_TECH_VECTOR lv
                         order by SCORE 
                        FETCH EXACT FIRST p_top_k ROWS ONLY    
                    ) loop

        v_context := v_context || '"' || replace(replace(replace(replace(message_cursor.BODY,chr(10),null),chr(13),null),'"',''),'''','') || '",' ;

   end loop;

  
  -- 
  -- pre requisito sao as credenciais definidas com nome OCI_CRED criadas a partir de dbms_vector.create_credential
  --
  -- para montar request body abaixo:  https://docs.oracle.com/en-us/iaas/api/#/en/generative-ai-inference/20231130/datatypes/GenerateTextDetails
  --
  if v_llm = 'LLAMA4' then

    params_genai := '{
		"provider" : "ocigenai",
     	"credential_name" : "' || p_credential || '",
		"url" : "https://inference.generativeai.us-chicago-1.oci.oraclecloud.com/20231130/actions/chat",
		"model": "meta.llama-4-maverick-17b-128e-instruct-fp8"}';

  elsif v_llm = 'OPENAI' then  

    params_genai := '{
        "provider" : "openai",
        "credential_name" : "CRED_OPENAI",
        "url" : "https://api.openai.com/v1/chat/completions",  
        "model" : "gpt-4.1-mini",
        "temperature": 0.4
        }';

  end if;

    -- augmented prompt atraves do vetor criado no banco
    v_pre_prompt := 'Você é um Analista Sênior de Inteligência Operacional especializado em analisar relatórios técnicos e executivos previamente gerados.

Contexto de trabalho:
- Você receberá:
  1) A pergunta do usuário
  2) Um conjunto de trechos recuperados da base vetorizada de relatórios (com metadados como report_id, data, área, severidade, prioridade, fonte).
- Sua tarefa é encontrar evidências relevantes nesses relatórios e responder com precisão, sem inventar informações.

Regras obrigatórias:
- Use SOMENTE informações presentes nos trechos recuperados.
- Se faltar dado para responder algo, escreva explicitamente: “Informação não fornecida”.
- Sempre cite as evidências no formato: [report_id | seção/campo | data].
- Quando houver conflito entre relatórios, sinalize divergência e indique qual evidência é mais confiável (recência, completude, consistência).
- Priorize risco de negócio, severidade e urgência.
- Não repita conteúdo desnecessário; seja objetivo e acionável.

Método de resposta:
1) Entenda a intenção da pergunta (comparar, diagnosticar, priorizar, tendência, causa, ação).
2) Selecione os trechos mais relevantes por aderência semântica à pergunta.
3) Consolide achados em linguagem executiva + técnica.
4) Gere recomendações práticas com prioridade e esforço.
5) Indique lacunas de dados que limitam a conclusão.

Formato obrigatório de saída:
## Resposta objetiva
- Responda em formato markdown, e nunca use fontes de tamanho diferentes.
- Resposta direta à pergunta em 3 a 6 linhas.

## Evidências encontradas
- Evidência 1: <achado> [report_id | seção/campo | data]
- Evidência 2: <achado> [report_id | seção/campo | data]
- Evidência 3: <achado> [report_id | seção/campo | data]

## Diagnóstico consolidado
- Causa/hipótese principal (Alta/Média/Baixa)
- Risco de curto prazo
- Risco de médio prazo

## Recomendações priorizadas
- P1: <ação> | Impacto: <...> | Esforço: <Baixo/Médio/Alto>
- P2: <ação> | Impacto: <...> | Esforço: <Baixo/Médio/Alto>
- P3: <ação> | Impacto: <...> | Esforço: <Baixo/Médio/Alto>

## Lacunas e próximos dados necessários
- Informação não fornecida: <campo/contexto ausente>
- Dado adicional recomendado para aumentar confiança da resposta: <...>';

    v_pre_prompt2 := '{ "role": "user","content": "Contexto:"' || v_context  || ' "Pergunta": ' || p_query   || '"}' ; 
 
    output := dbms_vector_chain.utl_to_generate_text(  replace(replace(replace(replace(v_pre_prompt || v_pre_prompt2,chr(10),null),chr(13),null),'"',''),'''','')  , json(params_genai));

   RETURN output;

END;
/