import { LVS_Search_Mode } from '../_enums/lvs-search-mode.enum';
import { LVS_SearchResult } from '../_models/lvs-search-result.interface';
/**
 * Vektor pool kezelő utility class
 * Instance-based class, amely in-memory vektor pool-t kezel és vektor hasonlósági számításokat végez
 * Minden instance saját vektor pool-t tart fenn
 */
export declare class LVS_VectorPool_ControlService {
    /**
     * In-memory vektor pool tárolás
     * Key: vektor ID, Value: vektor értékek
     */
    private vectorPool;
    /**
     * Normalizált vektor pool tárolás (L2 normalizált másolatok)
     * Key: vektor ID, Value: L2 normalizált vektor értékek
     */
    private normalizedVectorPool;
    /**
     * `normalizedOnly` mód: ha `true`, a pool NEM tárolja a nyers vektorokat (`vectorPool`) — CSAK a
     * normalizált másolatot. A kizárólag-cosine fogyasztóknak (pl. RAG-keresés) ez ~50% memória-megtakarítás
     * (a két párhuzamos pool helyett egy). Ekkor az `l2Distance`-keresés és a `getAll()` nyers-érték-olvasása
     * N/A (a `size()` + a `cosineSimilarity`-keresés továbbra is helyes). Default `false` (visszafelé kompatibilis).
     */
    private readonly normalizedOnly;
    constructor(set?: {
        normalizedOnly?: boolean;
    });
    /**
     * Hozzáad egy vektort a pool-hoz
     * Opcionálisan L2 normalizált másolatot is tárol
     */
    addVector(id: string, vector: number[]): void;
    /**
     * Eltávolít egy vektort a pool-ból
     */
    removeVector(id: string): void;
    /**
     * Frissít egy vektort a pool-ban
     */
    updateVector(id: string, vector: number[]): void;
    /**
     * A pool elemszáma. Mindkét módban helyes (a `normalizedVectorPool` a forrás), így `normalizedOnly`
     * módban is — szemben a `getAll().size`-szal, ami ott üres (a nyers pool nincs tárolva).
     */
    size(): number;
    /**
     * Törli az összes vektort a pool-ból
     */
    clearPool(): void;
    /**
     * Visszaadja az összes vektort a pool-ból
     * Debugging és export céljára
     */
    getAll(): Map<string, number[]>;
    /**
     * L2 normalizálás egy vektorra
     * A vektor hosszát 1-re normalizálja
     * Statikus metódus, mivel nincs szüksége instance state-re
     */
    private static l2Normalize;
    /**
     * Cosine similarity számítás két vektor között
     * Normalizált vektorokat használ a számításhoz
     * Eredmény: 0 és 1 közötti érték, ahol 1 a legnagyobb hasonlóság
     * Statikus metódus, mivel nincs szüksége instance state-re
     */
    static cosineSimilarity(a: number[], b: number[]): number;
    /**
     * L2 distance (Euklideszi távolság) számítás két vektor között
     * Eredmény: 0 vagy pozitív érték, ahol 0 a legkisebb távolság
     * Statikus metódus, mivel nincs szüksége instance state-re
     */
    static l2Distance(a: number[], b: number[]): number;
    /**
     * Vektor keresés a pool-ban
     * Brute-force megközelítés (lineáris keresés)
     *
     * @param query A keresési query vektor
     * @param k A visszaadandó találatok száma (top-K)
     * @param mode A keresési mód (cosine similarity vagy L2 distance)
     * @param candidateIds Opcionális jelölt-ID szűrő: ha meg van adva, a keresés CSAK az ebben a
     *   halmazban lévő ID-kra fut (a többit `Set.has` O(1)-gyel kihagyja). Így a hívónak NEM kell külön
     *   szűkített pool-t építenie + a vektorokat újra-normalizálnia — a keresés a MÁR előre-normalizált
     *   `normalizedVectorPool`-on iterál allokáció-mentesen. Üres halmaz → üres eredmény.
     * @returns A top-K találatok ID-val és score-rel, megfelelő sorrendben
     */
    search(query: number[], k: number, mode: LVS_Search_Mode, candidateIds?: Set<string>): LVS_SearchResult[];
}
//# sourceMappingURL=lvs-vector-pool.control-service.d.ts.map