@futdevpro/nts-dynamo 1.15.154 → 1.15.156

package/build/_modules/ai/_modules/ai-mock/_models/interfaces/aim-request.interface.d.ts

@@ -1,19 +1,19 @@
-import { DyNTS_AIMock_Modality } from '../../_enums/aim-modality.enum';
-/**
- * Egy mock-hívás bemenete — EBBŐL képződik a fixture-match kulcs (`DyNTS_AIMock_FixtureMatch_Util`).
- * A `config` a provider-specifikus hívás-paraméterek (a FR-048 `settingsSchema` ellen validálandó), az
- * `input` modalitás-függő (prompt-szöveg / embedding-szöveg(ek) / kép-prompt / audio-referencia).
- */
-export interface DyNTS_AIMock_Request {
-    /** Provider-azonosító (pl. 'open-ai', 'anthropic', 'fdp-ai'). */
-    provider: string;
-    /** Pontos API modell-azonosító (pl. 'gpt-4o-mini'). */
-    model: string;
-    /** A hívás modalitása. */
-    modality: DyNTS_AIMock_Modality;
-    /** Provider-specifikus config-paraméterek (temperature / dimensions / size / …). */
-    config?: Record<string, unknown>;
-    /** Modalitás-függő bemenet (prompt / szövegek / kép-prompt / audio-ref). */
-    input: unknown;
-}
+import { DyNTS_AIMock_Modality } from '../../_enums/aim-modality.enum';
+/**
+ * Egy mock-hívás bemenete — EBBŐL képződik a fixture-match kulcs (`DyNTS_AIMock_FixtureMatch_Util`).
+ * A `config` a provider-specifikus hívás-paraméterek (a FR-048 `settingsSchema` ellen validálandó), az
+ * `input` modalitás-függő (prompt-szöveg / embedding-szöveg(ek) / kép-prompt / audio-referencia).
+ */
+export interface DyNTS_AIMock_Request {
+    /** Provider-azonosító (pl. 'open-ai', 'anthropic', 'fdp-ai'). */
+    provider: string;
+    /** Pontos API modell-azonosító (pl. 'gpt-4o-mini'). */
+    model: string;
+    /** A hívás modalitása. */
+    modality: DyNTS_AIMock_Modality;
+    /** Provider-specifikus config-paraméterek (temperature / dimensions / size / …). */
+    config?: Record<string, unknown>;
+    /** Modalitás-függő bemenet (prompt / szövegek / kép-prompt / audio-ref). */
+    input: unknown;
+}
 //# sourceMappingURL=aim-request.interface.d.ts.map

package/build/_modules/ai/_modules/ai-mock/_models/interfaces/aim-request.interface.js

@@ -1,3 +1,3 @@
-"use strict";
-Object.defineProperty(exports, "__esModule", { value: true });
+"use strict";
+Object.defineProperty(exports, "__esModule", { value: true });
 //# sourceMappingURL=aim-request.interface.js.map

package/build/_modules/ai/_modules/ai-mock/_models/interfaces/aim-service-collection.interface.d.ts

@@ -1,19 +1,19 @@
-import { DyFM_AI_ModelInfo } from '@futdevpro/fsm-dynamo/ai';
-import { DyNTS_AIMock_FixtureStore_Service } from '../../_services/aim-fixture-store.service';
-import { DyNTS_AIMock_Service } from '../../_services/aim-mock.service';
-/**
- * Egy kesz, osszedrotozott AI-mock keszlet (`getDefaultAiMockServiceCollection` kimenete): a fixture-tar,
- * a ra epulo mock-provider, es a config-validaciohoz bekototott modell-registry.
- *
- * A `store` azert is publikus, hogy a teszt futas kozben tovabbi fixture-oket regisztralhasson
- * (`store.register([...])`) anelkul, hogy ujra kellene epiteni a kollekciot.
- */
-export interface DyNTS_AIMock_ServiceCollection {
-    /** A beegetett fixture-ok tara (futas kozben bovitheto). */
-    store: DyNTS_AIMock_FixtureStore_Service;
-    /** A mock provider-surface (chat / embedding / image / audio). */
-    service: DyNTS_AIMock_Service;
-    /** A bekototott modell-registry — ebbol jon a FR-048 `settingsSchema`-alapu config-validacio. */
-    registry: DyFM_AI_ModelInfo[];
-}
+import { DyFM_AI_ModelInfo } from '@futdevpro/fsm-dynamo/ai';
+import { DyNTS_AIMock_FixtureStore_Service } from '../../_services/aim-fixture-store.service';
+import { DyNTS_AIMock_Service } from '../../_services/aim-mock.service';
+/**
+ * Egy kesz, osszedrotozott AI-mock keszlet (`getDefaultAiMockServiceCollection` kimenete): a fixture-tar,
+ * a ra epulo mock-provider, es a config-validaciohoz bekototott modell-registry.
+ *
+ * A `store` azert is publikus, hogy a teszt futas kozben tovabbi fixture-oket regisztralhasson
+ * (`store.register([...])`) anelkul, hogy ujra kellene epiteni a kollekciot.
+ */
+export interface DyNTS_AIMock_ServiceCollection {
+    /** A beegetett fixture-ok tara (futas kozben bovitheto). */
+    store: DyNTS_AIMock_FixtureStore_Service;
+    /** A mock provider-surface (chat / embedding / image / audio). */
+    service: DyNTS_AIMock_Service;
+    /** A bekototott modell-registry — ebbol jon a FR-048 `settingsSchema`-alapu config-validacio. */
+    registry: DyFM_AI_ModelInfo[];
+}
 //# sourceMappingURL=aim-service-collection.interface.d.ts.map

package/build/_modules/ai/_modules/ai-mock/_models/interfaces/aim-service-collection.interface.js

@@ -1,3 +1,3 @@
-"use strict";
-Object.defineProperty(exports, "__esModule", { value: true });
+"use strict";
+Object.defineProperty(exports, "__esModule", { value: true });
 //# sourceMappingURL=aim-service-collection.interface.js.map

package/build/_modules/ai/_modules/ai-mock/_services/ai-embedding-mock.service.d.ts

@@ -1,81 +1,81 @@
-import { CreateEmbeddingResponse } from 'openai/resources';
-import { DyFM_AI_Provider, DyFM_AI_ProviderCapabilities, DyFM_AI_Config } from '@futdevpro/fsm-dynamo/ai';
-import { DyFM_DAI_EmbeddingInfo } from '@futdevpro/fsm-dynamo/ai/document-ai';
-import { DyNTS_AI_CostEventCallback } from '../../../_models/interfaces/dynts-ai-cost-event-callback.interface';
-import { DyNTS_AI_Embedding_ServiceBase } from '../../../_services/ai-embedding.service-base';
-/** A mock-embedding default dimenziója (kicsi, hogy a teszt-pool gyors legyen, de elég a koszinuszhoz). */
-export declare const DyNTS_AI_MOCK_EMBEDDING_DIMS: number;
-/**
- * A mock embedding-service config-set-je. A `dims` a generált vektor dimenziója (default
- * `DyNTS_AI_MOCK_EMBEDDING_DIMS`), az `onCostEvent` a per-call cost-event sink (FR-002 / BFR-AM-007).
- */
-export interface DyNTS_AI_Embedding_MockSettings {
-    /** A generált vektor dimenziója (default `DyNTS_AI_MOCK_EMBEDDING_DIMS`). */
-    dims?: number;
-    /** Per-call cost-event callback (FR-002 / BFR-AM-007). Non-breaking: ha undefined, nincs emit. */
-    onCostEvent?: DyNTS_AI_CostEventCallback;
-}
-/**
- * `DyNTS_AI_Embedding_MockService` (BFR-AM-008) — determinisztikus, hash-alapú, fix-dimenziós,
- * l2-normalizált pszeudo-vektor a szövegből. Provider- és hálózat-mentes → a tesztek + a tsc-/offline-
- * smoke valódi API-kulcs nélkül futnak. Azonos `(model, text)` → azonos vektor (idempotens), így a
- * koszinusz-keresés determinisztikusan tesztelhető. A FAM `FAM_Mock_EmbeddingProvider` workaround-ját
- * emeli bedrock-szintre, mint újrahasználható test-double.
- *
- * **Cost-event (BFR-AM-007):** minden call után `emitCostEvent`-tel jelez (fake token-fogyasztás,
- * 4 char ≈ 1 token), provider `'mock'`, callType `embedding-single` / `embedding-batch`. Így a
- * cost-aggregáló pipeline mock-providerrel is end-to-end tesztelhető.
- */
-export declare class DyNTS_AI_Embedding_MockService extends DyNTS_AI_Embedding_ServiceBase {
-    /** A mock a `LocalAI` provider-enum alá tartozik (nincs külső hívás). */
-    readonly aiProvider: DyFM_AI_Provider;
-    /** A cost-event provider-string (a `DyNTS_AI_CostEvent.provider` szabad-string mezőjéhez). */
-    protected readonly costProvider: string;
-    /** Mock capability-k: csak embedding (determinisztikus). */
-    readonly capabilities: DyFM_AI_ProviderCapabilities;
-    /** A generált vektor dimenziója. */
-    protected dims: number;
-    /** @param set opcionális dims + onCostEvent. */
-    constructor(set?: DyNTS_AI_Embedding_MockSettings);
-    /** A mock-nak nincs külső config-ja; a `setup` a dimenzió override-jára szolgál (config.dimensions). */
-    setup(config: DyFM_AI_Config): void;
-    /**
-     * Egy determinisztikus embedding. A `model`-t beleszövi a seed-be, hogy modell-váltás más vektort
-     * adjon (re-embed teszteléshez). `fullResponse=true` → OpenAI-alakú válasz-objektum.
-     */
-    createEmbedding(set: {
-        text: string;
-        model: string;
-        fullResponse?: boolean;
-        issuer: string;
-    }): Promise<number[] | CreateEmbeddingResponse>;
-    /**
-     * Determinisztikus batch-embedding: minden szöveghez a `(model, text)` seed-ből generál egy fix-
-     * dimenziós, l2-normalizált vektort. A `texts` sorrendje == a visszaadott `number[][]` sorrendje.
-     */
-    createEmbeddings(set: {
-        texts: string[];
-        model: string;
-        fullResponse?: boolean;
-        issuer: string;
-    }): Promise<number[][] | CreateEmbeddingResponse>;
-    /** Embedding model-info: provider `LocalAI`, model a megadott azonosító. */
-    getEmbeddingInfo(model: string): DyFM_DAI_EmbeddingInfo;
-    /** A mock mindig elérhető (nincs külső függőség). */
-    testConnection(_issuer: string): Promise<boolean>;
-    /**
-     * Egy determinisztikus, l2-normalizált vektor a seed-ből. A SHA-256 hash bájtjait körkörösen
-     * használja a `dims` kitöltésére, [-1, 1) tartományra képzi, majd l2-normalizál (egységhossz a
-     * koszinuszhoz). Egy második hash-bájttal kever, hogy a hosszabb dimenziókon ne ismétlődjön a minta.
-     */
-    protected deterministicVector(seed: string): number[];
-    /** L2-normalizálás (egységhossz). Nulla-vektor → változatlan (elkerüli a 0-osztást). */
-    protected l2Normalize(vector: number[]): number[];
-    /** OpenAI-alakú válasz-objektum a vektorokból (a `fullResponse=true` ághoz). */
-    protected toResponse(vectors: number[][], model: string, texts: string[]): CreateEmbeddingResponse;
-    /** Cost-event emit (BFR-AM-007) fake tokennel (4 char ≈ 1 token), provider `'mock'`. */
-    protected emitMockCostEvent(callType: 'embedding-single' | 'embedding-batch', model: string, texts: string[], durationMs: number, issuer: string): void;
-    /** Becsült (fake) token-szám: 4 char ≈ 1 token. */
-    protected estimateTokens(texts: string[]): number;
-}
+import { CreateEmbeddingResponse } from 'openai/resources';
+import { DyFM_AI_Provider, DyFM_AI_ProviderCapabilities, DyFM_AI_Config } from '@futdevpro/fsm-dynamo/ai';
+import { DyFM_DAI_EmbeddingInfo } from '@futdevpro/fsm-dynamo/ai/document-ai';
+import { DyNTS_AI_CostEventCallback } from '../../../_models/interfaces/dynts-ai-cost-event-callback.interface';
+import { DyNTS_AI_Embedding_ServiceBase } from '../../../_services/ai-embedding.service-base';
+/** A mock-embedding default dimenziója (kicsi, hogy a teszt-pool gyors legyen, de elég a koszinuszhoz). */
+export declare const DyNTS_AI_MOCK_EMBEDDING_DIMS: number;
+/**
+ * A mock embedding-service config-set-je. A `dims` a generált vektor dimenziója (default
+ * `DyNTS_AI_MOCK_EMBEDDING_DIMS`), az `onCostEvent` a per-call cost-event sink (FR-002 / BFR-AM-007).
+ */
+export interface DyNTS_AI_Embedding_MockSettings {
+    /** A generált vektor dimenziója (default `DyNTS_AI_MOCK_EMBEDDING_DIMS`). */
+    dims?: number;
+    /** Per-call cost-event callback (FR-002 / BFR-AM-007). Non-breaking: ha undefined, nincs emit. */
+    onCostEvent?: DyNTS_AI_CostEventCallback;
+}
+/**
+ * `DyNTS_AI_Embedding_MockService` (BFR-AM-008) — determinisztikus, hash-alapú, fix-dimenziós,
+ * l2-normalizált pszeudo-vektor a szövegből. Provider- és hálózat-mentes → a tesztek + a tsc-/offline-
+ * smoke valódi API-kulcs nélkül futnak. Azonos `(model, text)` → azonos vektor (idempotens), így a
+ * koszinusz-keresés determinisztikusan tesztelhető. A FAM `FAM_Mock_EmbeddingProvider` workaround-ját
+ * emeli bedrock-szintre, mint újrahasználható test-double.
+ *
+ * **Cost-event (BFR-AM-007):** minden call után `emitCostEvent`-tel jelez (fake token-fogyasztás,
+ * 4 char ≈ 1 token), provider `'mock'`, callType `embedding-single` / `embedding-batch`. Így a
+ * cost-aggregáló pipeline mock-providerrel is end-to-end tesztelhető.
+ */
+export declare class DyNTS_AI_Embedding_MockService extends DyNTS_AI_Embedding_ServiceBase {
+    /** A mock a `LocalAI` provider-enum alá tartozik (nincs külső hívás). */
+    readonly aiProvider: DyFM_AI_Provider;
+    /** A cost-event provider-string (a `DyNTS_AI_CostEvent.provider` szabad-string mezőjéhez). */
+    protected readonly costProvider: string;
+    /** Mock capability-k: csak embedding (determinisztikus). */
+    readonly capabilities: DyFM_AI_ProviderCapabilities;
+    /** A generált vektor dimenziója. */
+    protected dims: number;
+    /** @param set opcionális dims + onCostEvent. */
+    constructor(set?: DyNTS_AI_Embedding_MockSettings);
+    /** A mock-nak nincs külső config-ja; a `setup` a dimenzió override-jára szolgál (config.dimensions). */
+    setup(config: DyFM_AI_Config): void;
+    /**
+     * Egy determinisztikus embedding. A `model`-t beleszövi a seed-be, hogy modell-váltás más vektort
+     * adjon (re-embed teszteléshez). `fullResponse=true` → OpenAI-alakú válasz-objektum.
+     */
+    createEmbedding(set: {
+        text: string;
+        model: string;
+        fullResponse?: boolean;
+        issuer: string;
+    }): Promise<number[] | CreateEmbeddingResponse>;
+    /**
+     * Determinisztikus batch-embedding: minden szöveghez a `(model, text)` seed-ből generál egy fix-
+     * dimenziós, l2-normalizált vektort. A `texts` sorrendje == a visszaadott `number[][]` sorrendje.
+     */
+    createEmbeddings(set: {
+        texts: string[];
+        model: string;
+        fullResponse?: boolean;
+        issuer: string;
+    }): Promise<number[][] | CreateEmbeddingResponse>;
+    /** Embedding model-info: provider `LocalAI`, model a megadott azonosító. */
+    getEmbeddingInfo(model: string): DyFM_DAI_EmbeddingInfo;
+    /** A mock mindig elérhető (nincs külső függőség). */
+    testConnection(_issuer: string): Promise<boolean>;
+    /**
+     * Egy determinisztikus, l2-normalizált vektor a seed-ből. A SHA-256 hash bájtjait körkörösen
+     * használja a `dims` kitöltésére, [-1, 1) tartományra képzi, majd l2-normalizál (egységhossz a
+     * koszinuszhoz). Egy második hash-bájttal kever, hogy a hosszabb dimenziókon ne ismétlődjön a minta.
+     */
+    protected deterministicVector(seed: string): number[];
+    /** L2-normalizálás (egységhossz). Nulla-vektor → változatlan (elkerüli a 0-osztást). */
+    protected l2Normalize(vector: number[]): number[];
+    /** OpenAI-alakú válasz-objektum a vektorokból (a `fullResponse=true` ághoz). */
+    protected toResponse(vectors: number[][], model: string, texts: string[]): CreateEmbeddingResponse;
+    /** Cost-event emit (BFR-AM-007) fake tokennel (4 char ≈ 1 token), provider `'mock'`. */
+    protected emitMockCostEvent(callType: 'embedding-single' | 'embedding-batch', model: string, texts: string[], durationMs: number, issuer: string): void;
+    /** Becsült (fake) token-szám: 4 char ≈ 1 token. */
+    protected estimateTokens(texts: string[]): number;
+}
 //# sourceMappingURL=ai-embedding-mock.service.d.ts.map

package/build/_modules/ai/_modules/ai-mock/_services/ai-embedding-mock.service.js

@@ -1,167 +1,167 @@
-"use strict";
-Object.defineProperty(exports, "__esModule", { value: true });
-exports.DyNTS_AI_Embedding_MockService = exports.DyNTS_AI_MOCK_EMBEDDING_DIMS = void 0;
-const tslib_1 = require("tslib");
-const crypto = tslib_1.__importStar(require("crypto"));
-const ai_1 = require("@futdevpro/fsm-dynamo/ai");
-const ai_embedding_service_base_1 = require("../../../_services/ai-embedding.service-base");
-/** A mock-embedding default dimenziója (kicsi, hogy a teszt-pool gyors legyen, de elég a koszinuszhoz). */
-exports.DyNTS_AI_MOCK_EMBEDDING_DIMS = 64;
-/**
- * `DyNTS_AI_Embedding_MockService` (BFR-AM-008) — determinisztikus, hash-alapú, fix-dimenziós,
- * l2-normalizált pszeudo-vektor a szövegből. Provider- és hálózat-mentes → a tesztek + a tsc-/offline-
- * smoke valódi API-kulcs nélkül futnak. Azonos `(model, text)` → azonos vektor (idempotens), így a
- * koszinusz-keresés determinisztikusan tesztelhető. A FAM `FAM_Mock_EmbeddingProvider` workaround-ját
- * emeli bedrock-szintre, mint újrahasználható test-double.
- *
- * **Cost-event (BFR-AM-007):** minden call után `emitCostEvent`-tel jelez (fake token-fogyasztás,
- * 4 char ≈ 1 token), provider `'mock'`, callType `embedding-single` / `embedding-batch`. Így a
- * cost-aggregáló pipeline mock-providerrel is end-to-end tesztelhető.
- */
-class DyNTS_AI_Embedding_MockService extends ai_embedding_service_base_1.DyNTS_AI_Embedding_ServiceBase {
-    /** A mock a `LocalAI` provider-enum alá tartozik (nincs külső hívás). */
-    aiProvider = ai_1.DyFM_AI_Provider.LocalAI;
-    /** A cost-event provider-string (a `DyNTS_AI_CostEvent.provider` szabad-string mezőjéhez). */
-    costProvider = 'mock';
-    /** Mock capability-k: csak embedding (determinisztikus). */
-    capabilities = {
-        chat: false,
-        embeddings: true,
-        imageGeneration: false,
-        vision: false,
-        audioGeneration: false,
-        audioAnalysis: false,
-        functionCalling: false,
-        streaming: false,
-        batchOperations: true,
-        supportedModelTypes: [],
-    };
-    /** A generált vektor dimenziója. */
-    dims;
-    /** @param set opcionális dims + onCostEvent. */
-    constructor(set) {
-        super();
-        this.dims = set?.dims && set.dims > 0 ? set.dims : exports.DyNTS_AI_MOCK_EMBEDDING_DIMS;
-        if (set?.onCostEvent) {
-            this.onCostEvent = set.onCostEvent;
-        }
-    }
-    /** A mock-nak nincs külső config-ja; a `setup` a dimenzió override-jára szolgál (config.dimensions). */
-    setup(config) {
-        const dims = Reflect.get(config ?? {}, 'dimensions');
-        if (typeof dims === 'number' && dims > 0) {
-            this.dims = dims;
-        }
-    }
-    /**
-     * Egy determinisztikus embedding. A `model`-t beleszövi a seed-be, hogy modell-váltás más vektort
-     * adjon (re-embed teszteléshez). `fullResponse=true` → OpenAI-alakú válasz-objektum.
-     */
-    async createEmbedding(set) {
-        const start = Date.now();
-        const vector = this.deterministicVector(`${set.model}::${set.text ?? ''}`);
-        const durationMs = Date.now() - start;
-        this.emitMockCostEvent('embedding-single', set.model, [set.text ?? ''], durationMs, set.issuer);
-        if (set.fullResponse) {
-            return this.toResponse([vector], set.model, [set.text ?? '']);
-        }
-        return vector;
-    }
-    /**
-     * Determinisztikus batch-embedding: minden szöveghez a `(model, text)` seed-ből generál egy fix-
-     * dimenziós, l2-normalizált vektort. A `texts` sorrendje == a visszaadott `number[][]` sorrendje.
-     */
-    async createEmbeddings(set) {
-        const texts = set.texts ?? [];
-        const start = Date.now();
-        const vectors = texts.map((text) => this.deterministicVector(`${set.model}::${text}`));
-        const durationMs = Date.now() - start;
-        this.emitMockCostEvent('embedding-batch', set.model, texts, durationMs, set.issuer);
-        if (set.fullResponse) {
-            return this.toResponse(vectors, set.model, texts);
-        }
-        return vectors;
-    }
-    /** Embedding model-info: provider `LocalAI`, model a megadott azonosító. */
-    getEmbeddingInfo(model) {
-        return {
-            provider: ai_1.DyFM_AI_Provider.LocalAI,
-            model: model,
-        };
-    }
-    /** A mock mindig elérhető (nincs külső függőség). */
-    async testConnection(_issuer) {
-        return true;
-    }
-    // =========================================================================
-    // belső: determinisztikus vektor + cost-event + response-alak
-    // =========================================================================
-    /**
-     * Egy determinisztikus, l2-normalizált vektor a seed-ből. A SHA-256 hash bájtjait körkörösen
-     * használja a `dims` kitöltésére, [-1, 1) tartományra képzi, majd l2-normalizál (egységhossz a
-     * koszinuszhoz). Egy második hash-bájttal kever, hogy a hosszabb dimenziókon ne ismétlődjön a minta.
-     */
-    deterministicVector(seed) {
-        const hash = crypto.createHash('sha256').update(seed).digest();
-        const vector = [];
-        for (let i = 0; i < this.dims; i++) {
-            const byte = hash[i % hash.length];
-            const mix = hash[(i * 7 + 3) % hash.length];
-            const combined = (byte ^ mix) & 0xff;
-            vector.push((combined / 255) * 2 - 1);
-        }
-        return this.l2Normalize(vector);
-    }
-    /** L2-normalizálás (egységhossz). Nulla-vektor → változatlan (elkerüli a 0-osztást). */
-    l2Normalize(vector) {
-        let sumSq = 0;
-        for (const value of vector) {
-            sumSq += value * value;
-        }
-        const norm = Math.sqrt(sumSq);
-        if (!norm) {
-            return vector;
-        }
-        return vector.map((value) => value / norm);
-    }
-    /** OpenAI-alakú válasz-objektum a vektorokból (a `fullResponse=true` ághoz). */
-    toResponse(vectors, model, texts) {
-        const tokens = this.estimateTokens(texts);
-        return {
-            object: 'list',
-            model: model,
-            data: vectors.map((embedding, index) => ({ object: 'embedding', embedding: embedding, index: index })),
-            usage: {
-                prompt_tokens: tokens,
-                total_tokens: tokens,
-            },
-        };
-    }
-    /** Cost-event emit (BFR-AM-007) fake tokennel (4 char ≈ 1 token), provider `'mock'`. */
-    emitMockCostEvent(callType, model, texts, durationMs, issuer) {
-        const tokens = this.estimateTokens(texts);
-        this.emitCostEvent({
-            callType: callType,
-            provider: this.costProvider,
-            model: model,
-            tokensUsed: {
-                input: tokens,
-                total: tokens,
-            },
-            durationMs: durationMs,
-            issuer: issuer,
-            timestamp: new Date(),
-            estimatedCostUsd: 0,
-        });
-    }
-    /** Becsült (fake) token-szám: 4 char ≈ 1 token. */
-    estimateTokens(texts) {
-        let chars = 0;
-        for (const text of texts) {
-            chars += (text ?? '').length;
-        }
-        return Math.max(1, Math.ceil(chars / 4));
-    }
-}
-exports.DyNTS_AI_Embedding_MockService = DyNTS_AI_Embedding_MockService;
+"use strict";
+Object.defineProperty(exports, "__esModule", { value: true });
+exports.DyNTS_AI_Embedding_MockService = exports.DyNTS_AI_MOCK_EMBEDDING_DIMS = void 0;
+const tslib_1 = require("tslib");
+const crypto = tslib_1.__importStar(require("crypto"));
+const ai_1 = require("@futdevpro/fsm-dynamo/ai");
+const ai_embedding_service_base_1 = require("../../../_services/ai-embedding.service-base");
+/** A mock-embedding default dimenziója (kicsi, hogy a teszt-pool gyors legyen, de elég a koszinuszhoz). */
+exports.DyNTS_AI_MOCK_EMBEDDING_DIMS = 64;
+/**
+ * `DyNTS_AI_Embedding_MockService` (BFR-AM-008) — determinisztikus, hash-alapú, fix-dimenziós,
+ * l2-normalizált pszeudo-vektor a szövegből. Provider- és hálózat-mentes → a tesztek + a tsc-/offline-
+ * smoke valódi API-kulcs nélkül futnak. Azonos `(model, text)` → azonos vektor (idempotens), így a
+ * koszinusz-keresés determinisztikusan tesztelhető. A FAM `FAM_Mock_EmbeddingProvider` workaround-ját
+ * emeli bedrock-szintre, mint újrahasználható test-double.
+ *
+ * **Cost-event (BFR-AM-007):** minden call után `emitCostEvent`-tel jelez (fake token-fogyasztás,
+ * 4 char ≈ 1 token), provider `'mock'`, callType `embedding-single` / `embedding-batch`. Így a
+ * cost-aggregáló pipeline mock-providerrel is end-to-end tesztelhető.
+ */
+class DyNTS_AI_Embedding_MockService extends ai_embedding_service_base_1.DyNTS_AI_Embedding_ServiceBase {
+    /** A mock a `LocalAI` provider-enum alá tartozik (nincs külső hívás). */
+    aiProvider = ai_1.DyFM_AI_Provider.LocalAI;
+    /** A cost-event provider-string (a `DyNTS_AI_CostEvent.provider` szabad-string mezőjéhez). */
+    costProvider = 'mock';
+    /** Mock capability-k: csak embedding (determinisztikus). */
+    capabilities = {
+        chat: false,
+        embeddings: true,
+        imageGeneration: false,
+        vision: false,
+        audioGeneration: false,
+        audioAnalysis: false,
+        functionCalling: false,
+        streaming: false,
+        batchOperations: true,
+        supportedModelTypes: [],
+    };
+    /** A generált vektor dimenziója. */
+    dims;
+    /** @param set opcionális dims + onCostEvent. */
+    constructor(set) {
+        super();
+        this.dims = set?.dims && set.dims > 0 ? set.dims : exports.DyNTS_AI_MOCK_EMBEDDING_DIMS;
+        if (set?.onCostEvent) {
+            this.onCostEvent = set.onCostEvent;
+        }
+    }
+    /** A mock-nak nincs külső config-ja; a `setup` a dimenzió override-jára szolgál (config.dimensions). */
+    setup(config) {
+        const dims = Reflect.get(config ?? {}, 'dimensions');
+        if (typeof dims === 'number' && dims > 0) {
+            this.dims = dims;
+        }
+    }
+    /**
+     * Egy determinisztikus embedding. A `model`-t beleszövi a seed-be, hogy modell-váltás más vektort
+     * adjon (re-embed teszteléshez). `fullResponse=true` → OpenAI-alakú válasz-objektum.
+     */
+    async createEmbedding(set) {
+        const start = Date.now();
+        const vector = this.deterministicVector(`${set.model}::${set.text ?? ''}`);
+        const durationMs = Date.now() - start;
+        this.emitMockCostEvent('embedding-single', set.model, [set.text ?? ''], durationMs, set.issuer);
+        if (set.fullResponse) {
+            return this.toResponse([vector], set.model, [set.text ?? '']);
+        }
+        return vector;
+    }
+    /**
+     * Determinisztikus batch-embedding: minden szöveghez a `(model, text)` seed-ből generál egy fix-
+     * dimenziós, l2-normalizált vektort. A `texts` sorrendje == a visszaadott `number[][]` sorrendje.
+     */
+    async createEmbeddings(set) {
+        const texts = set.texts ?? [];
+        const start = Date.now();
+        const vectors = texts.map((text) => this.deterministicVector(`${set.model}::${text}`));
+        const durationMs = Date.now() - start;
+        this.emitMockCostEvent('embedding-batch', set.model, texts, durationMs, set.issuer);
+        if (set.fullResponse) {
+            return this.toResponse(vectors, set.model, texts);
+        }
+        return vectors;
+    }
+    /** Embedding model-info: provider `LocalAI`, model a megadott azonosító. */
+    getEmbeddingInfo(model) {
+        return {
+            provider: ai_1.DyFM_AI_Provider.LocalAI,
+            model: model,
+        };
+    }
+    /** A mock mindig elérhető (nincs külső függőség). */
+    async testConnection(_issuer) {
+        return true;
+    }
+    // =========================================================================
+    // belső: determinisztikus vektor + cost-event + response-alak
+    // =========================================================================
+    /**
+     * Egy determinisztikus, l2-normalizált vektor a seed-ből. A SHA-256 hash bájtjait körkörösen
+     * használja a `dims` kitöltésére, [-1, 1) tartományra képzi, majd l2-normalizál (egységhossz a
+     * koszinuszhoz). Egy második hash-bájttal kever, hogy a hosszabb dimenziókon ne ismétlődjön a minta.
+     */
+    deterministicVector(seed) {
+        const hash = crypto.createHash('sha256').update(seed).digest();
+        const vector = [];
+        for (let i = 0; i < this.dims; i++) {
+            const byte = hash[i % hash.length];
+            const mix = hash[(i * 7 + 3) % hash.length];
+            const combined = (byte ^ mix) & 0xff;
+            vector.push((combined / 255) * 2 - 1);
+        }
+        return this.l2Normalize(vector);
+    }
+    /** L2-normalizálás (egységhossz). Nulla-vektor → változatlan (elkerüli a 0-osztást). */
+    l2Normalize(vector) {
+        let sumSq = 0;
+        for (const value of vector) {
+            sumSq += value * value;
+        }
+        const norm = Math.sqrt(sumSq);
+        if (!norm) {
+            return vector;
+        }
+        return vector.map((value) => value / norm);
+    }
+    /** OpenAI-alakú válasz-objektum a vektorokból (a `fullResponse=true` ághoz). */
+    toResponse(vectors, model, texts) {
+        const tokens = this.estimateTokens(texts);
+        return {
+            object: 'list',
+            model: model,
+            data: vectors.map((embedding, index) => ({ object: 'embedding', embedding: embedding, index: index })),
+            usage: {
+                prompt_tokens: tokens,
+                total_tokens: tokens,
+            },
+        };
+    }
+    /** Cost-event emit (BFR-AM-007) fake tokennel (4 char ≈ 1 token), provider `'mock'`. */
+    emitMockCostEvent(callType, model, texts, durationMs, issuer) {
+        const tokens = this.estimateTokens(texts);
+        this.emitCostEvent({
+            callType: callType,
+            provider: this.costProvider,
+            model: model,
+            tokensUsed: {
+                input: tokens,
+                total: tokens,
+            },
+            durationMs: durationMs,
+            issuer: issuer,
+            timestamp: new Date(),
+            estimatedCostUsd: 0,
+        });
+    }
+    /** Becsült (fake) token-szám: 4 char ≈ 1 token. */
+    estimateTokens(texts) {
+        let chars = 0;
+        for (const text of texts) {
+            chars += (text ?? '').length;
+        }
+        return Math.max(1, Math.ceil(chars / 4));
+    }
+}
+exports.DyNTS_AI_Embedding_MockService = DyNTS_AI_Embedding_MockService;
 //# sourceMappingURL=ai-embedding-mock.service.js.map