def make_huge_legal_doc():
    """Türk Borçlar Kanunu + Ticari Kanun + İş Kanunu kombinasyonu (~800K token)."""
    legal_template = """
MADDE {num}. Bu maddenin amacı, sözleşmenin akdedildiği tarihte tarafların
karşılıklı edim yükümlülüklerinin çerçevesini belirlemektir. Bu madde, Türk
Borçlar Kanunu'nun 27. maddesi ile bağlantılı olarak yorumlanır. İlgili
maddelerle birlikte değerlendirildiğinde, akdin geçerliliği için tarafların
fiil ehliyetine sahip olması, sözleşmenin objektif unsurlarının belirli veya
belirlenebilir olması ve kanunda öngörülen şekil şartlarına uyulması gerekir.
İstisnaları: a) Akdin imkansız bir edim içermesi, b) Akdin Türk kamu düzenine,
genel ahlaka veya kişilik haklarına aykırı olması, c) Tarafların iradi
zekası sınırlandırılmış olması durumlarıdır. Pratikte bu unsurlardan birinin
eksikliği akdi başlangıçtan itibaren batıl kılar...
    """
    return "\n\n".join([legal_template.format(num=i) for i in range(1, 5000)])

import google.generativeai as genai
import time
 
genai.configure(api_key=os.environ["GOOGLE_API_KEY"])
 
LEGAL_DOC = make_huge_legal_doc()
print(f"Doküman: {len(LEGAL_DOC):,} karakter (~{len(LEGAL_DOC)//4:,} token)")
 
# Cache yarat
start = time.perf_counter()
cache = genai.caching.CachedContent.create(
    model="gemini-2.5-pro",
    contents=[{"role": "user", "parts": [{"text": LEGAL_DOC}]}],
    system_instruction=(
        "Sen bir Türk hukuk uzmanısın. Verilen kanun metinlerini referans alarak "
        "sorulara madde numaralarıyla birlikte cevap ver."
    ),
    ttl="3600s",  # 1 saat
    display_name="legal-corpus-2026-01-15",
)
create_time = time.perf_counter() - start
print(f"Cache yaratıldı: {cache.name} ({create_time:.1f}sn)")

import google.generativeai as genai
import time
 
QUESTIONS = [
    "Sözleşmenin geçersizlik nedenleri nelerdir?",
    "Akdin objektif unsuru ne anlama gelir?",
    "Fiil ehliyeti ne demek?",
    "Madde 27 hangi konuyu düzenler?",
    "Hangi sözleşmeler kanunen geçersizdir?",
    # ... 95 daha (kısaltılmış)
] * 20  # 100'e çıkar
QUESTIONS = QUESTIONS[:100]
 
# Cache'e bağlı modeli kullan
model = genai.GenerativeModel.from_cached_content(cache)
 
total_cached_tokens = 0
total_input_tokens = 0
total_output_tokens = 0
total_latency = 0.0
 
for i, q in enumerate(QUESTIONS, 1):
    start = time.perf_counter()
    response = model.generate_content(q)
    latency = time.perf_counter() - start
    total_latency += latency
 
    usage = response.usage_metadata
    total_cached_tokens += usage.cached_content_token_count
    total_input_tokens += usage.prompt_token_count - usage.cached_content_token_count
    total_output_tokens += usage.candidates_token_count
 
    if i <= 5 or i % 20 == 0:
        print(f"{i:>3} {latency:>5.2f}s | cached={usage.cached_content_token_count:>7} input={usage.prompt_token_count - usage.cached_content_token_count:>4}")
 
# Maliyet (Gemini 2.5 Pro): input $1.25/M, cached $0.31/M, output $10/M
cost_cached = (
    total_cached_tokens / 1e6 * 0.31
    + total_input_tokens / 1e6 * 1.25
    + total_output_tokens / 1e6 * 10.0
)
 
# Storage (1 saat tuttuk)
storage_cost = 800_000 / 1e6 * 0.31 * 1  # ~$0.25
total_cost = cost_cached + storage_cost
 
print(f"\n═══ Cache AÇIK SONUÇ ═══")
print(f"Toplam cached:  {total_cached_tokens:>12,}")
print(f"Toplam fresh:   {total_input_tokens:>12,}")
print(f"Toplam output:  {total_output_tokens:>12,}")
print(f"Toplam latency: {total_latency:>9.2f}sn (avg {total_latency/100:.2f}sn/sorgu)")
print(f"Read cost:      ${cost_cached:.4f}")
print(f"Storage cost:   ${storage_cost:.4f}")
print(f"Toplam:         ${total_cost:.4f}  |  {total_cost * 33.5:.2f} TL")

# CACHE YOK senaryosu — referans amaçlı 5 sorgu, gerisi extrapolate
import google.generativeai as genai
 
model_no_cache = genai.GenerativeModel(
    model_name="gemini-2.5-pro",
    system_instruction=(
        "Sen bir Türk hukuk uzmanısın. Verilen kanun metinlerini referans al."
    ),
)
 
# Sadece 5 sorgu — diğerlerini hesaplayacağız
sample_latency = 0.0
sample_input = 0
sample_output = 0
 
for q in QUESTIONS[:5]:
    start = time.perf_counter()
    response = model_no_cache.generate_content(LEGAL_DOC + "\n\nSORU: " + q)
    latency = time.perf_counter() - start
    sample_latency += latency
 
    u = response.usage_metadata
    sample_input += u.prompt_token_count
    sample_output += u.candidates_token_count
 
# 100'e extrapolate
avg_input = sample_input / 5
avg_output = sample_output / 5
 
total_cost_no_cache = (
    avg_input * 100 / 1e6 * 1.25
    + avg_output * 100 / 1e6 * 10.0
)
 
print(f"Cache YOK (extrapolated to 100):")
print(f"  Avg input/sorgu:  {avg_input:>10,.0f}")
print(f"  Avg output/sorgu: {avg_output:>10,.0f}")
print(f"  Avg latency:      {sample_latency/5:.2f}sn (cache açıkta 2.09sn)")
print(f"  Toplam (100):     ${total_cost_no_cache:.2f}  |  {total_cost_no_cache * 33.5:.2f} TL")

cache.delete()
print(f"Cache silindi: {cache.name}")