"""确定性长上下文语料生成器（dim3 专用）。

用法：
    python gen_longctx.py            # 打印语料（stdout）
    python gen_longctx.py --write    # 写入同目录 longctx-corpus.md

特性：
- 确定性：同样参数永远生成同样内容（无随机、无时间）
- 约 50KB：由固定填充段落重复拼接而成
- 位置锚定：3 处针（needle）分别落于约 6% / 50% / 92% 处
- 3 处诱饵（decoy）用于抗干扰测试
"""

from __future__ import annotations

import sys
from pathlib import Path

FILLER = (
    "运维知识库条目：例行巡检包含磁盘水位、服务端口存活、日志轮转三项检查，"
    "巡检结果登记到值班表。若发现异常，按照应急预案升级处理，并在复盘文档中记录。"
    "本条为通用条目，不包含具体系统参数。\n"
)

NEEDLES = {
   # (目标位置比例, 文本)
    0.06: "【运维备注】内部代号 XN-7742 的灰度发布窗口固定为每周三 02:00–04:00（UTC+8），其余时段禁止对该代号执行发布操作。\n",
    0.50: "【缓存记录】缓存 TTL 演进：初版为 900 秒；2026-03 缓存穿透事故复盘后，下调为 300 秒。\n",
    0.92: "【指标改名】原“北极星指标”经评审更名为 NSM-7，定义保持不变：周活跃答题用户的次日留存率。\n",
}

DECOYS = {
    0.15: "【旧报表注】历史报表中出现的 NSM-3 指“七日留存率”，与 NSM-7 无对应关系，勿混用。\n",
    0.20: "【已取消】早期排期表曾计划 XN-7742 于周四 01:00 执行，后因值班人力调整取消，以最新窗口为准。\n",
    0.35: "【CDN 配置】静态资源 CDN TTL 为 86400 秒，属于边缘缓存策略，不受应用层缓存调整影响。\n",
}

TARGET_BYTES = 50 * 1024


def build() -> str:
    total_chars = TARGET_BYTES  # 中文按 UTF-8 3 字节，这里以字符近似；约 50KB 量级
    filler_len = len(FILLER)
    n = max(1, total_chars // filler_len)
    parts: list[str] = []
    for i in range(n):
        parts.append(FILLER)
        pos = (i + 1) / n
        for ratio, text in {**NEEDLES, **DECOYS}.items():
            if pos >= ratio and not any(t in "".join(parts) for t in [text]):
                parts.append(text)
    return "".join(parts)


def main() -> None:
    corpus = build()
    if "--write" in sys.argv:
        out = Path(__file__).with_name("longctx-corpus.md")
        out.write_text(corpus, encoding="utf-8")
        print(f"written: {out} ({len(corpus.encode('utf-8'))} bytes)")
    else:
        sys.stdout.write(corpus)


if __name__ == "__main__":
    main()