# Step 7 — Verifica ambiente

Prima di procedere con la vettorizzazione (step 8) devi avere installato:

- **Ollama** — server locale per LLM e embedding
- un **modello di embedding** (es. `nomic-embed-text`, `bge-m3`)
- un **modello LLM** (es. `qwen3.5:4b`, `qwen3:4b`)
- **chromadb** — libreria Python per il vector store

---

## 1. Installa Ollama

```bash
curl -fsSL https://ollama.com/install.sh | sh
```

Verifica che il servizio sia attivo:

```bash
ollama list
```

### Disinstalla Ollama

```bash
# Ferma e rimuovi il servizio systemd
sudo systemctl stop ollama
sudo systemctl disable ollama
sudo rm /etc/systemd/system/ollama.service
sudo systemctl daemon-reload

# Rimuovi il binario
sudo rm /usr/local/bin/ollama

# Rimuovi modelli e dati (opzionale — occupa spazio su disco)
# I modelli sono salvati sotto l'utente di sistema "ollama", non nella tua home
sudo rm -rf /usr/share/ollama

# Rimuovi l'utente e il gruppo di sistema creati dall'installer (opzionale)
sudo userdel ollama
sudo groupdel ollama
```

---

## 2. Scarica i modelli

### Modello di embedding

Per testo in italiano usa **`bge-m3`** — addestrato su 100+ lingue, gestisce l'italiano meglio dei modelli English-first:

```bash
ollama pull bge-m3
```

Alternativa leggera (principalmente inglese, ~274 MB):

```bash
ollama pull nomic-embed-text
```

| Modello | Dim | Dimensione | Lingue |
|---|---|---|---|
| `bge-m3` | 1024 | ~1.2 GB | 100+ lingue incl. IT |
| `nomic-embed-text` | 768 | ~274 MB | principalmente EN |
| `mxbai-embed-large` | 1024 | ~670 MB | principalmente EN |
| `all-minilm` | 384 | ~46 MB | principalmente EN |

### Modello LLM

Scegli in base alla RAM disponibile:

```bash
ollama pull qwen3.5:4b   # consigliato per 8 GB RAM
```

| Modello | RAM consigliata | Note |
|---|---|---|
| `qwen3:8b` | ≥ 10 GB | ottima qualità, troppo stretto su 8 GB |
| `qwen3.5:4b` | ≥ 5 GB | buon bilanciamento, **consigliato per 8 GB** |
| `qwen3:4b` | ≥ 5 GB | alternativa stabile |
| `phi4-mini` | ≥ 4 GB | ottimo per instruction following |
| `qwen3:1.7b` | ≥ 3 GB | leggero, qualità base |

Se usi un modello diverso da `qwen3.5:4b`, aggiorna la costante `LLM_MODEL` in `step-9/rag.py`.

### Disinstalla un modello

```bash
ollama rm qwen3.5:4b
ollama rm nomic-embed-text
```

Per vedere tutti i modelli installati:

```bash
ollama list
```

---

## 3. Installa chromadb nel venv

```bash
source .venv/bin/activate
pip install chromadb
```

Aggiorna anche `requirements.txt`:

```bash
pip freeze | grep chromadb >> requirements.txt
```

### Disinstalla chromadb

```bash
source .venv/bin/activate

# Rimuovi il pacchetto e le dipendenze non più necessarie
pip uninstall chromadb -y
pip autoremove 2>/dev/null || pip uninstall $(pip-autoremove chromadb -l 2>/dev/null) -y 2>/dev/null

# Rimuovi i dati del vector store (opzionale — occupa spazio su disco)
rm -rf chroma_db/
```

> `pip autoremove` richiede il pacchetto `pip-autoremove` (`pip install pip-autoremove`).
> In alternativa, elimina e ricrea il venv per una pulizia completa:
> ```bash
> deactivate
> rm -rf .venv
> python -m venv .venv
> source .venv/bin/activate
> pip install -r requirements.txt
> ```

---

## 4. Verifica tutto

```bash
source .venv/bin/activate
python step-7/check_env.py
```

Output atteso se tutto è a posto:

```
✅ ollama trovato nel PATH
✅ ollama risponde correttamente
✅ modello embedding trovato: nomic-embed-text:latest
✅ modello LLM trovato: qwen3.5:4b

✅ chromadb importabile

✅ Ambiente pronto — procedi con la vettorizzazione:
   python step-8/ingest.py --stem <nome>
```

---

## Prossimo step

```bash
python step-8/ingest.py --stem nietzsche
```