import os
import asyncio
import json
from pathlib import Path
from dotenv import load_dotenv

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_chroma import Chroma
from langchain_core.documents import Document
from langchain.tools import tool
from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend, LocalShellBackend, CompositeBackend
from langchain_core.messages import HumanMessage

# Загрузка переменных окружения
load_dotenv()

# Настройка LLM и эмбеддингов через OpenRouter
llm = ChatOpenAI(
    model="openai/gpt-oss-20b:free",
    base_url="https://openrouter.ai/api/v1",
    api_key=os.getenv("OPENAI_API_KEY"),
    temperature=0.0,
)

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    base_url="https://openrouter.ai/api/v1",
    api_key=os.getenv("OPENAI_API_KEY"),
)

# Инициализация Chroma
vector_store = Chroma(
    collection_name="faq_collection",
    embedding_function=embeddings,
    persist_directory="./chroma_faq",
)

# Загрузка FAQ из markdown файлов в Chroma
def load_faq_to_chroma() -> None:
    data_dir = Path("data")
    if not data_dir.exists():
        return
    docs = []
    for md_file in data_dir.glob("*.md"):
        content = md_file.read_text(encoding="utf-8")
        title = md_file.stem
        docs.append(Document(page_content=content, metadata={"title": title}))
    if docs:
        vector_store.add_documents(docs)

# Tool: поиск по базе знаний
@tool
def search_course_docs(query: str, k: int = 3) -> str:
    """Search the knowledge base for relevant information."""
    docs = vector_store.similarity_search(query, k=k)
    return "\n".join(d.page_content for d in docs) if docs else "No results."

# Tool: получение метаданных курса (MCP-стиль)
@tool
def fetch_course_meta(query: str) -> str:
    """Fetch course metadata from local JSON."""
    meta_path = Path("meta.json")
    if not meta_path.exists():
        return "Metadata file not found."
    data = json.loads(meta_path.read_text(encoding="utf-8"))
    # Простая фильтрация по ключевому слову в запросе
    if "schedule" in query.lower():
        return json.dumps(data.get("schedule", []), indent=2)
    if "instructor" in query.lower():
        return data.get("instructor", "Unknown")
    return json.dumps(data, indent=2)

# Системный промпт агента
system_prompt = (
    "You are a helpful FAQ bot. Use only one tool per query. "
    "If the question is about course materials, use search_course_docs. "
    "If about schedule or metadata, use fetch_course_meta. "
    "Indicate source in answer: source: chroma | mcp_meta."
)

# Backend для deepagents
backend = CompositeBackend(
    [
        LocalShellBackend(workspace_dir="./workspace"),
        FilesystemBackend(),
    ]
)

# Создание агента
agent = create_deep_agent(
    model=llm,
    tools=[search_course_docs, fetch_course_meta],
    backend=backend,
    system_prompt=system_prompt,
)

# Предварительная загрузка FAQ
load_faq_to_chroma()

# Предустановленные вопросы
preset_questions = [
    "Где находятся материалы по лекции 3?",
    "Как изменить пароль?",
    "Какой график занятий на следующую неделю?",
]

async def main() -> None:
    print("FAQ Bot CLI")
    print("1-3: Предустановленные вопросы")
    print("4: Ввести собственный вопрос")
    print("5: Выход")
    while True:
        choice = input("Выберите вариант (1-5): ").strip()
        if choice == "5":
            print("До свидания!")
            break
        if choice in {"1", "2", "3"}:
            question = preset_questions[int(choice) - 1]
        elif choice == "4":
            question = input("Введите ваш вопрос: ").strip()
            if not question:
                print("Пустой вопрос, попробуйте снова.")
                continue
        else:
            print("Неверный выбор, попробуйте снова.")
            continue

        print(f"Вопрос: {question}")
        result = await agent.ainvoke(
            {"messages": [HumanMessage(content=question)]},
            {"configurable": {"thread_id": "session-1"}},
        )
        answer = result["messages"][-1].content
        print(f"Ответ:\n{answer}\n")

if __name__ == "__main__":
    asyncio.run(main())