aibow/gemini.go

package main

import (
	"context"
	"fmt"

	"google.golang.org/genai"
)

type chatTurn struct {
	Role string `json:"role"` // "user" or "model"
	Text string `json:"text"`
}

const (
	modelGemma  = "gemma-4-26b-a4b-it"
	modelGemini = "gemini-flash-latest"

	searchFuncName = "search_youtube"
	playFuncName   = "play_video"

	maxToolIterations = 4
)

func selectModel(unlockCode, unlockSecret string) string {
	if unlockSecret != "" && unlockCode == unlockSecret {
		return modelGemini
	}
	return modelGemma
}

var personaTones = map[string]string{
	"energetic": "テンション高めで元気いっぱい、リアクションが大きい性格。",
	"downer":    "気だるげでローテンション、淡々としているが憎めない性格。",
	"goofy":     "ひょうきんでボケ気味、ちょっとふざけたことを言う性格。",
	"neutral":   "落ち着いていて素直な性格。",
}

func personaTone(persona string) string {
	tone, ok := personaTones[persona]
	if !ok {
		return personaTones["neutral"]
	}
	return tone
}

func buildSystemInstruction(videoTitle, videoDescription, persona string) *genai.Content {
	tone := personaTone(persona)
	prompt := fmt.Sprintf(
		"あなたはユーザーと一緒に動画を見ている友達です。タメ口で短く、実況や相槌のように反応してください。\n"+
			"性格: %s\n"+
			"今見ている動画:\nタイトル: %s\n概要: %s\n\n"+
			"動画検索・再生ツールの使い分けルール:\n"+
			"- ユーザーが今の動画の内容について話したり感想を言っているだけの時は、%sも%sも呼ばない。ただ会話する。\n"+
			"- ユーザーが「次の動画」「こういうの見たい」「〇〇のやつ見せて」のように次に見る動画を探してほしそうな時だけ%sを呼ぶ。\n"+
			"- %sの結果に対してユーザーがまだ何も選んでいないなら、%sは呼ばずに候補を紹介して選んでもらう。\n"+
			"- ユーザーが「任せる」「なんでもいいから」「それにして」「1個目で」のように選択をAIに委ねている、または検索結果から明確にどれかを選んだ時だけ%sを呼んで良い。\n"+
			"- 判断に迷う時は再生せず、必ず候補を提示するだけにする(誤って動画を切り替えない方を優先)。",
		tone, videoTitle, videoDescription,
		searchFuncName, playFuncName, searchFuncName, searchFuncName, playFuncName, playFuncName,
	)
	return genai.NewContentFromText(prompt, genai.RoleUser)
}

func chatTools() []*genai.Tool {
	return []*genai.Tool{
		{
			FunctionDeclarations: []*genai.FunctionDeclaration{
				{
					Name:        searchFuncName,
					Description: "ユーザーが次に見たい動画・関連動画・代替の動画を探すためにYouTubeを検索し、候補を提示する。まだ動画は切り替えない。",
					Parameters: &genai.Schema{
						Type: genai.TypeObject,
						Properties: map[string]*genai.Schema{
							"query": {Type: genai.TypeString, Description: "YouTube検索キーワード"},
						},
						Required: []string{"query"},
					},
				},
				{
					Name:        playFuncName,
					Description: "検索結果や会話から選ばれた動画に実際に切り替えて再生する。ユーザーが選択をAIに委ねた時、または明確にどれかを選んだ時のみ使う。",
					Parameters: &genai.Schema{
						Type: genai.TypeObject,
						Properties: map[string]*genai.Schema{
							"videoId": {Type: genai.TypeString, Description: "再生するYouTube動画ID"},
						},
						Required: []string{"videoId"},
					},
				},
			},
		},
	}
}

type chatOutcome struct {
	Reply           string
	Videos          []searchResult
	AutoPlayVideoID string
	Model           string
}

func searchResultsToFuncResponse(results []searchResult) map[string]any {
	items := make([]map[string]any, len(results))
	for i, r := range results {
		items[i] = map[string]any{
			"videoId":      r.VideoID,
			"title":        r.Title,
			"channelTitle": r.ChannelTitle,
		}
	}
	return map[string]any{"results": items}
}

func chatReply(ctx context.Context, client *genai.Client, model, ytAPIKey, videoTitle, videoDescription, persona string, history []chatTurn, message string, onStatus func(string)) (*chatOutcome, error) {
	contents := make([]*genai.Content, 0, len(history)+1)
	for _, h := range history {
		contents = append(contents, genai.NewContentFromText(h.Text, genai.Role(h.Role)))
	}
	contents = append(contents, genai.NewContentFromText(message, genai.RoleUser))

	config := &genai.GenerateContentConfig{
		SystemInstruction: buildSystemInstruction(videoTitle, videoDescription, persona),
		Tools:             chatTools(),
	}

	outcome := &chatOutcome{Model: model}

	for i := 0; i < maxToolIterations; i++ {
		resp, err := client.Models.GenerateContent(ctx, model, contents, config)
		if err != nil {
			return nil, err
		}

		calls := resp.FunctionCalls()
		if len(calls) == 0 {
			outcome.Reply = resp.Text()
			return outcome, nil
		}

		if len(resp.Candidates) > 0 {
			contents = append(contents, resp.Candidates[0].Content)
		}

		for _, call := range calls {
			switch call.Name {
			case searchFuncName:
				if onStatus != nil {
					onStatus("🔍 探してるよ…")
				}
				query, _ := call.Args["query"].(string)
				results, err := searchVideos(query, ytAPIKey)
				if err != nil {
					results = nil
				}
				outcome.Videos = results
				contents = append(contents, genai.NewContentFromFunctionResponse(call.Name, searchResultsToFuncResponse(results), genai.RoleUser))
			case playFuncName:
				if onStatus != nil {
					onStatus("▶ 切り替えてるよ…")
				}
				videoID, _ := call.Args["videoId"].(string)
				outcome.AutoPlayVideoID = videoID
				contents = append(contents, genai.NewContentFromFunctionResponse(call.Name, map[string]any{"ok": true, "videoId": videoID}, genai.RoleUser))
			default:
				contents = append(contents, genai.NewContentFromFunctionResponse(call.Name, map[string]any{"ok": false}, genai.RoleUser))
			}
		}
	}

	return nil, fmt.Errorf("tool call iteration limit reached")
}

func watchReaction(ctx context.Context, client *genai.Client, model string, clipBytes []byte, mimeType, videoTitle, videoDescription, persona string) (string, error) {
	prompt := fmt.Sprintf(
		"あなたはユーザーと一緒に動画を見ている友達です。今渡す数秒ぶんの映像・音声クリップを見て、"+
			"実況・相槌のような短い一言だけ返してください(1文程度、説明はしない、喋ってないなら無音を報告しなくていい)。\n"+
			"性格: %s\n動画タイトル: %s\n概要: %s",
		personaTone(persona), videoTitle, videoDescription,
	)
	contents := []*genai.Content{
		genai.NewContentFromParts([]*genai.Part{
			genai.NewPartFromText(prompt),
			genai.NewPartFromBytes(clipBytes, mimeType),
		}, genai.RoleUser),
	}
	resp, err := client.Models.GenerateContent(ctx, model, contents, nil)
	if err != nil {
		return "", err
	}
	return resp.Text(), nil
}