Persistance des données

// 1. Fournir les exigences à l’IA
Prompt: "Concevez une base de données pour un système e-commerce, comprenant les tables utilisateurs, produits, commandes et lignes de commande..."

// 2. Schéma Prisma généré par l’IA
model User {
  id        String   @id @default(cuid())
  email     String   @unique
  name      String?
  orders    Order[]
  createdAt DateTime @default(now())
}

model Product {
  id          String      @id @default(cuid())
  name        String
  price       Decimal     @db.Decimal(10, 2)
  description String?
  orderItems  OrderItem[]
  createdAt   DateTime    @default(now())
}

model Order {
  id         String     @id @default(cuid())
  userId     String
  user       User       @relation(fields: [userId], references: [id])
  items      OrderItem[]
  total      Decimal    @db.Decimal(10, 2)
  status     String     @default("pending")
  createdAt  DateTime   @default(now())
  
  @@index([userId])
}

model OrderItem {
  id        String   @id @default(cuid())
  orderId   String
  productId String
  order     Order    @relation(fields: [orderId], references: [id])
  product   Product  @relation(fields: [productId], references: [id])
  quantity  Int
  price     Decimal  @db.Decimal(10, 2)
  
  @@index([orderId])
  @@index([productId])
}

// Implémentation de la fonction NL2SQL
async function nl2sql(question: string, schema: DatabaseSchema): Promise<string> {
  const prompt = `Convertissez la question en SQL selon le schéma de la base de données :

Schema: ${JSON.stringify(schema)}
Question: ${question}

Ne retournez que le SQL, en utilisant des requêtes paramétrées.`;

  const sql = await callLLM(prompt);
  return validateAndSanitizeSQL(sql);
}

// Exemple d’utilisation
const sql = await nl2sql(
  "Interroger tous les articles créés au cours de la dernière semaine et leurs informations d’auteur",
  { tables: { users: [...], posts: [...] } }
);
// Retour : SELECT p.*, u.name as author_name 
//       FROM posts p 
//       JOIN users u ON p.author_id = u.id 
//       WHERE p.created_at > NOW() - INTERVAL '7 days'

// Flux complet RAG
async function ragQuery(question: string) {
  // 1. Vectoriser la question
  const questionEmbedding = await getEmbedding(question);
  
  // 2. Recherche vectorielle (Pinecone)
  const results = await pineconeIndex.query({
    vector: questionEmbedding,
    topK: 5,
    includeMetadata: true
  });
  
  // 3. Construire le contexte
  const context = results.matches
    .map(m => m.metadata?.text)
    .join('\n\n');
  
  // 4. Le LLM génère une réponse
  const answer = await generateAnswer(question, context);
  
  return answer;
}

// Utilisation
const answer = await ragQuery("Qu’est-ce que Prisma ?");
// L’IA génère des réponses précises à partir des documents récupérés