# Dataiku'da LLM Mesh üzerinden model çağrısı
import dataiku

client = dataiku.api_client()
project = client.get_project("MY_PROJECT")

# LLM Mesh üzerinden model seç (admin tarafından önceden tanımlandı)
llm = project.get_llm("openai:gpt-4o")

# Completion isteği gönder
completion = llm.new_completion()
completion.with_message("Analiz et: " + document_text)
resp = completion.execute()

print(resp.text)
print(f"Kullanılan token: {resp.usage.total_tokens}")
print(f"Maliyet: ${resp.usage.estimated_cost_usd:.4f}")

# Aynı prompt'u farklı modellerde karşılaştır
models_to_test = [
    "anthropic:claude-3-5-sonnet",
    "openai:gpt-4o",
    "mistral:mistral-large-latest"
]

prompt = "Şu metni özetle: {text}"
test_inputs = ["uzun metin örneği..."]

results = {}
for model_id in models_to_test:
    llm = project.get_llm(model_id)
    responses = []
    for inp in test_inputs:
        comp = llm.new_completion()
        comp.with_message(prompt.format(text=inp))
        resp = comp.execute()
        responses.append({
            "output": resp.text,
            "tokens": resp.usage.total_tokens,
            "latency_ms": resp.latency_ms
        })
    results[model_id] = responses

# Sonuçları Dataiku dataset'e yaz
output_df = pd.DataFrame(results)
dataiku.Dataset("model_comparison_results").write_with_schema(output_df)

# Dataiku Knowledge Bank API kullanımı
import dataiku

client = dataiku.api_client()
project = client.get_project("KNOWLEDGE_PROJECT")

# Knowledge Bank'ı al
kb = project.get_knowledge_bank("sirket_politikalari_kb")

# Sorgula
results = kb.search(
    query="izin ve tatil politikası nedir?",
    top_k=5,
    score_threshold=0.7
)

for chunk in results.chunks:
    print(f"Kaynak: {chunk.metadata['source']}")
    print(f"Skor: {chunk.score:.3f}")
    print(f"Içerik: {chunk.text[:200]}")
    print("---")

# LLM ile birleştirerek cevap üret
llm = project.get_llm("anthropic:claude-3-5-sonnet")
context = "\n\n".join([c.text for c in results.chunks])

comp = llm.new_completion()
comp.with_message(
    "Baglan:\n" + context +
    "\n\nSoru: izin ve tatil politikası nedir?" +
    "\nYalnizca baglamdaki bilgilere dayanarak yanıtla."
)
response = comp.execute()
print(response.text)

# Dataiku'da özel guardrail — rakip marka filtresi
from dataiku.llm.guardrails import BaseGuardrail

class CompetitorMentionGuardrail(BaseGuardrail):
    """Rakip markaların yanıtlarda geçmesini engeller"""

    COMPETITORS = ["RakipFirma1", "RakipFirma2", "diger_rakip"]

    def check_output(self, output_text: str, context: dict) -> dict:
        for competitor in self.COMPETITORS:
            if competitor.lower() in output_text.lower():
                return {
                    "passed": False,
                    "reason": f"Yanit rakip marka adi iceriyor: {competitor}",
                    "action": "block"  # veya "warn", "redact"
                }
        return {"passed": True}

    def check_input(self, input_text: str, context: dict) -> dict:
        return {"passed": True}  # Giris kontrolü gerekmiyor

# Admin API ile programatik kota yönetimi
import dataiku

admin_client = dataiku.api_client()

# Provider düzeyi kota — tüm OpenAI çağrıları
admin_client.set_llm_quota(
    scope="provider",
    scope_id="openai",
    quota_type="cost_usd",
    limit=500.0,
    reset_period="monthly",
    alert_threshold=0.8,  # %80'de uyarı
    action_on_exceed="block"
)

# Proje düzeyi kota
admin_client.set_llm_quota(
    scope="project",
    scope_id="CHATBOT_PROJECT",
    quota_type="tokens",
    limit=1_000_000,
    reset_period="weekly",
    action_on_exceed="block"
)

# Kullanım raporu çek
usage = admin_client.get_llm_usage_report(
    period="last_30_days",
    group_by="provider"  # veya "project", "user"
)

for entry in usage:
    print(f"{entry.scope}: ${entry.cost_usd:.2f} / {entry.tokens:,} token")