Phase 7: Hoàn thiện Modular RAG Backend với FastAPI và Đa LLM Provider

api/main.py

@@ -0,0 +1,93 @@
+import logging
+from fastapi import FastAPI, HTTPException, BackgroundTasks
+from pydantic import BaseModel
+from typing import List, Optional, Dict, Any
+import uvicorn
+import sys
+import os
+
+# Thêm thư mục gốc vào PYTHONPATH để tìm thấy các module chat, search, ingestion...
+sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+from chat.rag_engine import RAGEngine
+from core.config import settings
+
+# Cấu hình Logging
+logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(name)s - %(levelname)s - %(message)s")
+logger = logging.getLogger("API")
+
+app = FastAPI(
+    title="PoC SharePoint RAG API",
+    description="Hệ thống hỏi đáp nội bộ dựa trên SharePoint và Distributed VLM",
+    version="1.0.0"
+)
+
+# Khởi tạo RAG Engine (Singleton)
+# Khi API khởi động, nó sẽ nạp sẵn Embedding Model vào RAM để phản hồi cực nhanh
+try:
+    if settings.opensearch_host == "opensearch":
+        settings.opensearch_host = "localhost" # Fallback cho Local Dev
+    rag_engine = RAGEngine()
+except Exception as e:
+    logger.error(f"Không thể khởi động RAG Engine: {e}")
+    rag_engine = None
+
+# --- MODELS ---
+class ChatRequest(BaseModel):
+    query: str
+    history: Optional[List[Dict[str, str]]] = []
+
+class ChatResponse(BaseModel):
+    answer: str
+    sources: List[Dict[str, Any]] = []
+
+# --- ENDPOINTS ---
+
+@app.get("/health")
+def health_check():
+    """Kiểm tra sức khỏe hệ thống"""
+    return {
+        "status": "healthy",
+        "llm_provider": settings.llm_provider,
+        "opensearch_host": settings.opensearch_host
+    }
+
+@app.post("/chat", response_model=ChatResponse)
+async def chat_endpoint(request: ChatRequest):
+    """
+    Điểm cuối để thực hiện hỏi đáp (RAG).
+    """
+    if not rag_engine:
+        raise HTTPException(status_code=503, detail="RAG Engine chưa được khởi tạo thành công.")
+    
+    try:
+        logger.info(f"Nhận câu hỏi: {request.query}")
+        result = rag_engine.chat(request.query, history=request.history)
+        
+        return ChatResponse(
+            answer=result["answer"],
+            sources=result["sources"]
+        )
+    except Exception as e:
+        logger.error(f"Lỗi xử lý chat: {e}")
+        raise HTTPException(status_code=500, detail=str(e))
+
+@app.post("/ingest")
+async def start_ingestion(background_tasks: BackgroundTasks):
+    """
+    Kích hoạt quá trình quét SharePoint và nạp dữ liệu vào OpenSearch.
+    Chạy dưới dạng Background Task để không làm treo API.
+    """
+    # TODO: Kết nối với script sync.py và quy trình extraction
+    # Ở đây chúng ta sẽ gọi một function xử lý bất đồng bộ
+    background_tasks.add_task(dummy_ingest_task)
+    return {"message": "Quá trình đồng bộ dữ liệu đã bắt đầu chạy ngầm."}
+
+async def dummy_ingest_task():
+    logger.info("Bắt đầu Ingestion task...")
+    # Sẽ tích hợp logic từ test_rag_pipeline.py vào đây
+    pass
+
+if __name__ == "__main__":
+    # Chạy server tại cổng 8000
+    uvicorn.run(app, host="0.0.0.0", port=8000)