"""
# main.py – RAG‑агент с ChromaDB и веб‑поиском (Tavily)
# Используем deepagents, Ollama (LLM и эмбеддинги) и ChromaDB.
# Всё в одном файле для удобства.
"""
import os
import asyncio
from pathlib import Path

# ────────────────────────────────────── DeepAgents ────────────────────────
from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend, LocalShellBackend, CompositeBackend
from langchain_ollama import ChatOllama
from langchain_ollama import OllamaEmbeddings
from langchain.tools import tool
from langchain_core.messages import HumanMessage

# ────────────────────────────────────── ChromaDB ────────────────────────
from langchain_chroma import Chroma
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.documents import Document

# ────────────────────────────────────── Tavily ────────────────────────
from langchain_tavily import TavilySearchResults

# ────────────────────────────────────── Настройки ────────────────────────
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")  # не используется, но оставляем для совместимости
TAVILY_API_KEY = os.getenv("TAVILY_API_KEY")
if not TAVILY_API_KEY:
    raise RuntimeError("Требуется переменная окружения TAVILY_API_KEY")

# Папки
CHROMA_DIR = Path("./chroma_db")
DOCS_DIR = Path("./documents")
WORKSPACE_DIR = Path("./workspace")

# ────────────────────────────────────── LLM и Embeddings ────────────────────────
llm = ChatOllama(model="llama3", temperature=0.0)
embeddings = OllamaEmbeddings(model="nomic-embed-text")

# ────────────────────────────────────── VectorStore ────────────────────────
vector_store = Chroma(
    collection_name="knowledge",
    persist_directory=str(CHROMA_DIR),
    embedding_function=embeddings,
)

# ────────────────────────────────────── Загрузка документов ────────────────────────
def load_documents(directory: Path, store: Chroma, chunk_size: int = 1000, chunk_overlap: int = 200):
    """Читает .txt/.md, разбивает на чанки и добавляет в Chroma."""
    if not directory.exists():
        print(f"Документы не найдены в {directory}")
        return
    splitter = RecursiveCharacterTextSplitter(chunk_size=chunk_size, chunk_overlap=chunk_overlap)
    for file_path in directory.glob("**/*.*"):
        if file_path.suffix.lower() not in {".txt", ".md"}:
            continue
        text = file_path.read_text(encoding="utf-8")
        docs = splitter.split_text(text)
        documents = [Document(page_content=chunk, metadata={"source": str(file_path)}) for chunk in docs]
        store.add_documents(documents)
    print("Документы загружены в Chroma.")

# Если база пустая – загрузим
if not CHROMA_DIR.exists() or not any(CHROMA_DIR.iterdir()):
    load_documents(DOCS_DIR, vector_store)

# ────────────────────────────────────── Инструменты ────────────────────────
@tool
def search_local_kb(query: str, top_k: int = 3) -> str:
    """Семантический поиск в локальной базе знаний."""
    docs = vector_store.similarity_search(query, k=top_k)
    if not docs:
        return "No results in local knowledge base."
    return "\n---\n".join(f"{d.metadata.get('source')}\n{d.page_content[:500]}" for d in docs)

@tool
def web_search(query: str) -> str:
    """Веб‑поиск через Tavily."""
    tavily = TavilySearchResults(api_key=TAVILY_API_KEY, max_results=3)
    results = tavily.run(query)
    return "\n---\n".join(f"{r['title']}\n{r['content']}" for r in results)

# ────────────────────────────────────── Backend ────────────────────────
backend = CompositeBackend([
    LocalShellBackend(workspace_dir=str(WORKSPACE_DIR)),
    FilesystemBackend(),
])

# ────────────────────────────────────── Агент ────────────────────────
agent = create_deep_agent(
    model=llm,
    tools=[search_local_kb, web_search],
    backend=backend,
    system_prompt="Вы – RAG‑агент. При запросе о локальных документах используйте search_local_kb, для актуальных новостей – web_search. В ответе указывайте источник: chromadb или tavily.",
)

# ────────────────────────────────────── Чат‑цикл ────────────────────────
async def chat_loop():
    print("RAG‑агент готов. Введите запрос (exit для выхода).")
    while True:
        user_input = input("Запрос: ")
        if user_input.lower() in {"exit", "quit"}:
            print("Выход.")
            break
        result = await agent.ainvoke(
            {"messages": [HumanMessage(content=user_input)]},
            {"configurable": {"thread_id": "session-1"}},
        )
        # Предполагаем, что агент возвращает сообщение с полем source в metadata
        response = result["messages"][-1].content
        print("\nОтвет:\n", response)
        print("\n---\n")

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