# 5 kategori: kalite | kargo | fiyat | iletisim | iade
import os, json
from anthropic import Anthropic
from dotenv import load_dotenv
load_dotenv()
 
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
 
# Test seti — gerçek e-ticaret yorumları (anonim)
TEST_SET = [
    ("Ürün hızlı geldi ama paket hasarlıydı", "kargo"),
    ("Pahalı ama kaliteli", "kalite"),
    ("İade ettim para 2 hafta gelmedi", "iade"),
    ("Çağrı merkezi 1 saat beklettiler", "iletisim"),
    ("Aynı ürün başka sitede %30 ucuz", "fiyat"),
    ("Çok ince kumaş, fotoğraftaki gibi değil", "kalite"),
    ("3 günde geldi, mükemmel", "kargo"),
    ("Fiyatına göre fena değil", "fiyat"),
    ("Mail attım 5 gün cevap yok", "iletisim"),
    ("İade prosedürü çok karmaşık", "iade"),
]
 
def classify_zero_shot(text):
    prompt = f"""Aşağıdaki yorumu şu kategorilerden birine ata:
kalite | kargo | fiyat | iletisim | iade
 
Sadece kategori adını yaz.
 
Yorum: "{text}"
"""
    r = client.messages.create(
        model="claude-haiku-4-5-20251001",
        max_tokens=10, temperature=0,
        messages=[{"role": "user", "content": prompt}],
    )
    return r.content[0].text.strip().lower()
 
def evaluate(classifier_fn):
    correct = 0
    for text, expected in TEST_SET:
        pred = classifier_fn(text)
        ok = expected in pred
        if ok: correct += 1
        print(f"  {'✓' if ok else '✗'}  {text[:40]:42} | beklenen={expected:10} | tahmin={pred}")
    return correct / len(TEST_SET)
 
print("=== Zero-shot ===")
acc = evaluate(classify_zero_shot)
print(f"Doğruluk: {acc*100:.0f}%")
 

# Aynı görev — few-shot ile
import os
from anthropic import Anthropic
from dotenv import load_dotenv
load_dotenv()
 
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
 
FEW_SHOT_EXAMPLES = [
    ("Çok hızlı geldi, kutu sağlam", "kargo"),
    ("Beklenen kaliteyi karşılamadı", "kalite"),
    ("Para iadesi 1 ay sürdü", "iade"),
    ("Destek bana cevap vermedi", "iletisim"),
    ("Fiyat çok abartılı", "fiyat"),
]
 
def classify_few_shot(text):
    examples = "\n".join(f'- "{i}" → {o}' for i, o in FEW_SHOT_EXAMPLES)
    prompt = f"""Müşteri yorumlarını şu kategorilerden birine ata:
kalite | kargo | fiyat | iletisim | iade
 
Örnekler:
{examples}
 
Şimdi sınıflandır:
- "{text}" →"""
 
    r = client.messages.create(
        model="claude-haiku-4-5-20251001",
        max_tokens=10, temperature=0,
        messages=[{"role": "user", "content": prompt}],
    )
    return r.content[0].text.strip().lower().replace("\"", "").rstrip(".")
 
# (TEST_SET ve evaluate fonksiyonu önceki snippet'ten)
# print("=== Few-shot ===")
# acc = evaluate(classify_few_shot)
# print(f"Doğruluk: {acc*100:.0f}%")
 

# Zero vs few-shot özetleme — kalite skoru LLM-as-judge ile
ZERO_SHOT = "Aşağıdaki haberi 3 cümlede özetle. Her cümle 15 kelime altı."
 
FEW_SHOT = ZERO_SHOT + """
 
Örnek özetler:
Haber: [Türkiye, ABD ile yeni bir ticaret anlaşması imzaladı...]
Özet: Türkiye, ABD ile imzalanan yeni anlaşmayla 2 milyar dolarlık ticaret hacmi hedefliyor. Anlaşma tarım ve teknoloji sektörlerini kapsıyor. İlk yansımalar 6 ay içinde beklenir.
 
Haber: [Yeni nesil GPU kıtlığı sürüyor...]
Özet: NVIDIA H200 GPU'lar 2026 sonuna kadar yetersiz kalmaya devam edecek. AI şirketleri alternatif tedarikçilere yöneliyor. Fiyatlar son 6 ayda %40 arttı.
"""
 
# Burada bir LLM-judge ile her iki versiyonu skorla:
# JUDGE_PROMPT = "Hangi özet daha bilgilendirici? A vs B?"