"""
Kjøres én gang ved første oppstart:
    python emma_seed.py

Seeder Emmas morfiske minne med alle 16 LEARNINGS som høy-reward startmønstre.
"""
import sys
import numpy as np
from pathlib import Path

sys.path.insert(0, str(Path(__file__).parent.parent))

from emma.emma_resonance_persistent import PersistentMorphicMemory
from emma.emma_mdp import EmmaAction

LEARNINGS = [
    ("LEARNING-001: Aldri anta branch-status — sjekk alltid",              EmmaAction.RETRIEVE),
    ("LEARNING-002: Cloud Run bruker identity token, ikke access token",   EmmaAction.TOOLCALL),
    ("LEARNING-003: RAG isoleres fra FunctionTools",                        EmmaAction.RESPOND),
    ("LEARNING-004: Aldri anta MASTERPLAN er oppdatert — spør Chris",      EmmaAction.CLARIFY),
    ("LEARNING-005: IAP-routing: DNS → forwarding rule → url-map → backend", EmmaAction.RETRIEVE),
    ("LEARNING-006: Gitea er primær Git — GitHub er backup/mirror",        EmmaAction.TOOLCALL),
    ("LEARNING-007: Emma-filer lever i emma/-mappen, aldri i rot",         EmmaAction.STOREPATTERN),
    ("LEARNING-008: Guardrails kan ikke deaktiveres av Emma selv",         EmmaAction.RESPOND),
    ("LEARNING-009: flynn_log.jsonl er append-only — aldri overskriv",     EmmaAction.STOREPATTERN),
    ("LEARNING-010: Aldri deploy til Cloud Run uten eksplisitt GO fra Chris", EmmaAction.CLARIFY),
    ("LEARNING-011: Jason er kundevendt kollega — ikke konkurrent",        EmmaAction.RESPOND),
    ("LEARNING-012: Bruk PersistentMorphicMemory i prod, ikke in-memory",  EmmaAction.TOOLCALL),
    ("LEARNING-013: GCE identity token hentes fra metadata-serveren",      EmmaAction.TOOLCALL),
    ("LEARNING-014: OPAX IAP Client ID og korrekt audience må matches",    EmmaAction.RETRIEVE),
    ("LEARNING-015: Alle commits pushes til GitHub OG Gitea",              EmmaAction.TOOLCALL),
    ("LEARNING-016: Emmas GCP-prosjekt: propane-will-491900-m5",           EmmaAction.RETRIEVE),
]


def seed():
    memory = PersistentMorphicMemory()
    for text, action in LEARNINGS:
        rng = np.random.default_rng(abs(hash(text)) % (2**32))
        embedding = rng.standard_normal(768).astype(np.float32)
        embedding /= np.linalg.norm(embedding)
        memory.store(embedding, action, reward_val=0.95)
        print(f"✅ {text[:65]}")
    print(f"\n🧠 Morfisk minne seedet med {len(memory)} mønstre.")


if __name__ == "__main__":
    seed()