"""可选：用 transformers 训练 BERT 级意图分类器（需 requirements-ml.txt）。

这是"正式环境"路线（对照实现方案 3.2 路由器选型表）：
- 规则分类器（当前默认）: 90-93% 准确率，零成本，适合 MVP
- 小 LLM / BERT 分类器: 94-97% 准确率，适合正式环境

用法（示例）：
    python scripts/train_classifier.py --data data/train.jsonl --output models/classifier

数据格式（每行一个 JSON）：
    {"query": "...", "domain": "code|math|legal|medical|general"}

注意：本脚本是流水线骨架，需自行准备数据。
"""
from __future__ import annotations

import argparse
import json
import sys
from pathlib import Path

sys.path.insert(0, str(Path(__file__).resolve().parent.parent))


def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("--data", required=True, help="训练数据 jsonl 路径")
    parser.add_argument("--output", default="models/classifier", help="输出目录")
    parser.add_argument("--base", default="Qwen/Qwen3-0.6B", help="基础模型")
    parser.add_argument("--epochs", type=int, default=3)
    args = parser.parse_args()

    try:
        from transformers import (AutoModelForSequenceClassification, AutoTokenizer,
                                  TrainingArguments)
    except ImportError as e:
        print("需要 ML 依赖：pip install -r requirements-ml.txt")
        raise SystemExit(1) from e

    # 数据格式转换
    samples = []
    with open(args.data, encoding="utf-8") as f:
        for line in f:
            line = line.strip()
            if line:
                obj = json.loads(line)
                samples.append(obj)
    print(f"加载 {len(samples)} 条训练样本")

    labels = ["code", "math", "legal", "medical", "general"]
    label2id = {l: i for i, l in enumerate(labels)}

    # 这里仅演示训练流水线；正式训练请使用 datasets 库构建 Dataset。
    tokenizer = AutoTokenizer.from_pretrained(args.base)
    model = AutoModelForSequenceClassification.from_pretrained(args.base, num_labels=5)

    print("训练参数示例：")
    print(TrainingArguments(
        output_dir=args.output,
        num_train_epochs=args.epochs,
        per_device_train_batch_size=8,
        learning_rate=2e-5,
    ))
    print("请参考实现方案 3.2 路由器选型表，构建带标注数据集后执行正式训练。")


if __name__ == "__main__":
    main()