import sys
IN_COLAB='google.colab' in sys.modules
if IN_COLAB:
    %pip -q install lancedb sentence-transformers
import lancedb
print('lancedb', lancedb.__version__, '· embedded เหมือน SQLite ✓')

lancedb 0.34.0 · embedded เหมือน SQLite ✓

# ---- embed อัจฉริยะ (Ollama ในเครื่อง / sentence-transformers บน Colab) ----
import urllib.request, json
import numpy as np
def _ok():
    try:
        urllib.request.urlopen('http://localhost:11434/api/tags', timeout=2); return True
    except Exception: return False
if _ok():
    def embed_texts(t):
        req=urllib.request.Request('http://localhost:11434/api/embed',data=json.dumps({'model':'bge-m3','input':list(t)}).encode(),headers={'Content-Type':'application/json'})
        with urllib.request.urlopen(req,timeout=180) as r: V=np.array(json.load(r)['embeddings'])
        return V/np.linalg.norm(V,axis=1,keepdims=True)
    print('embed: Ollama bge-m3 ✓')
else:
    from sentence_transformers import SentenceTransformer
    _m=SentenceTransformer('BAAI/bge-m3')
    def embed_texts(t): return _m.encode(list(t),normalize_embeddings=True)
    print('embed: sentence-transformers ✓')

embed: Ollama bge-m3 ✓

import shutil
shutil.rmtree('./lance_brain', ignore_errors=True)
db = lancedb.connect('./lance_brain')
NOTES = [
    'วิธีสอนนักศึกษาให้เข้าใจ vector search เริ่มจาก cosine similarity',
    'ประชุมกับอาจารย์ฝน เรื่อง workshop วันที่ 26 กรกฎาคม',
    'สูตรกาแฟ cold brew กาแฟ 100g น้ำ 1L แช่ 18 ชั่วโมง',
    'งานวิจัย embedding หลายภาษา bge-m3 เหมาะกับภาษาไทย',
    'รายการซื้อของ นม ไข่ ขนมปัง กาแฟดริป',
]
V = embed_texts(NOTES)
tbl = db.create_table('second_brain', data=[
    {'id': f'n{i}', 'text': t, 'folder': f, 'vector': v.tolist()}
    for i,(t,f,v) in enumerate(zip(NOTES, ['teaching','meetings','recipes','teaching','personal'], V))
])
print('โน้ตใน LanceDB:', tbl.count_rows())

โน้ตใน LanceDB: 5

def search(q, k=2, **kw):
    qv = embed_texts([q])[0].tolist()
    return tbl.search(qv).distance_type('cosine').limit(k).to_pandas(**kw)

for q in ['นัดหมายกับใครบ้าง', 'อยากสอนเรื่อง AI ค้นหา']:
    r = search(q)
    print(f'Q: {q}')
    for _, row in r.iterrows():
        print(f"   {1-row['_distance']:+.3f}  {row['text'][:48]}")
    print()

Q: นัดหมายกับใครบ้าง
   +0.534  ประชุมกับอาจารย์ฝน เรื่อง workshop วันที่ 26 กรก
   +0.452  รายการซื้อของ นม ไข่ ขนมปัง กาแฟดริป

Q: อยากสอนเรื่อง AI ค้นหา
   +0.658  วิธีสอนนักศึกษาให้เข้าใจ vector search เริ่มจาก 
   +0.507  ประชุมกับอาจารย์ฝน เรื่อง workshop วันที่ 26 กรก

qv = embed_texts(['การสอน'])[0].tolist()
r = tbl.search(qv).distance_type('cosine').where("folder = 'teaching'").limit(5).to_pandas()
print('ค้น "การสอน" เฉพาะ folder=teaching:')
for _, row in r.iterrows():
    print(f"   → {row['text'][:50]}")

ค้น "การสอน" เฉพาะ folder=teaching:
   → วิธีสอนนักศึกษาให้เข้าใจ vector search เริ่มจาก co
   → งานวิจัย embedding หลายภาษา bge-m3 เหมาะกับภาษาไทย

r = search('นัดหมายกับใครบ้าง', k=1)
assert 'ประชุม' in r.iloc[0]['text'], 'ต้องเจอโน้ตประชุม'
r2 = tbl.search(embed_texts(['การสอน'])[0].tolist()).where("folder = 'teaching'").limit(5).to_pandas()
assert all(r2['folder']=='teaching'), 'filter ต้องไม่รั่ว'
assert tbl.count_rows()==5
print('✅ ผ่าน! แนวคิดเดิมจากบท 1–3 ทำงานบน LanceDB — เปลี่ยนแค่ API (.search().where())')

✅ ผ่าน! แนวคิดเดิมจากบท 1–3 ทำงานบน LanceDB — เปลี่ยนแค่ API (.search().where())

# @@VIZ@@
import matplotlib, matplotlib.pyplot as plt
from matplotlib import font_manager as _fm
_av={f.name for f in _fm.fontManager.ttflist}
for _f in ['Thonburi','Loma','Sarabun','Noto Sans Thai','TH Sarabun New']:
    if _f in _av: matplotlib.rcParams['font.family']=_f; break
matplotlib.rcParams['axes.unicode_minus']=False
qs=['นัดหมายกับใครบ้าง','อยากสอนเรื่อง AI ค้นหา','เครื่องดื่ม']; sc=[]
for q in qs:
    r=tbl.search(embed_texts([q])[0].tolist()).distance_type('cosine').limit(1).to_pandas()
    sc.append(1-r.iloc[0]['_distance'])
plt.figure(figsize=(7,3.4)); plt.barh(qs[::-1],sc[::-1],color='#2a78d6')
plt.title('บทที่ 13 — LanceDB + bge-m3 (query ไทยทำงานดี)'); plt.xlabel('cosine')
plt.tight_layout(); plt.show()

	ChromaDB (สอน)	LanceDB (production)
ค้น semantic	✓	✓
metadata filter	`where={...}` dict	`.where("SQL")`
keyword/FTS	ต้องเขียน BM25 เอง (บท 7)	native ในตัว → บทที่ 14
versioning	✗	time-travel ในตัว → บทที่ 15
runtime	Python-first	Rust core (ฝัง Bun/TS ได้ = ARRA)

📘 บทที่ 13 — ก้าวสู่ Production: LanceDB¶

1) เปิด second brain ด้วย LanceDB (embedded — โฟลเดอร์ในเครื่อง)¶

2) ค้นด้วยความหมาย — ระบุ cosine ชัด (เหมือน ARRA lancedb.ts)¶

3) filter + vector พร้อมกัน (SQL where — เหมือน metadata filter บทที่ 3)¶

✅ วัดผลตัวเอง #13¶

📊 เห็นภาพ — LanceDB คะแนน top-1 (query ไทย)¶

LanceDB ต่างจาก Chroma ตรงไหน (ที่จะเห็นบทถัดไป)¶