# tools.py
"""
Модуль с инструментами для агента.
В файле определены два инструмента:
    1. search_knowledge_base – семантический поиск в Qdrant.
    2. add_to_knowledge_base   – добавление документа (с чанками) в базу.

Инструменты реализованы через декоратор @tool из langchain.tools,
что позволяет автоматически использовать их в агентах LangChain.
"""

from pathlib import Path
from typing import List, Tuple

# ────────────────────────  Зависимости  ────────────────────────
from langchain.embeddings.ollama import OllamaEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores.qdrant import QdrantVectorStore
from langchain.tools import tool

# ────────────────────────  Конфигурация  ────────────────────────
# Путь к локальной базе Qdrant (предполагается, что она уже запущена)
QDRANT_URL = "http://localhost:6333"
COLLECTION_NAME = "knowledge_base"

# Создаём один экземпляр векторного хранилища и эмбеддеров,
# чтобы не создавать их каждый раз при вызове инструментов.
embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectorstore = QdrantVectorStore(
    client_kwargs={"url": QDRANT_URL},
    collection_name=COLLECTION_NAME,
    embedding_function=embeddings.embed_query,  # функция для получения эмбеддингов
)

# ────────────────────────  Инструмент: поиск  ────────────────────────
@tool("search_knowledge_base",
      description="Семантический поиск в базе знаний. "
                  "Возвращает список строк с найденными документами и их релевантностью.")
def search_knowledge_base(query: str, max_results: int = 5) -> List[Tuple[str, float]]:
    """
    Выполняет семантический поиск по запросу.

    Args:
        query (str): поисковый запрос.
        max_results (int): максимальное количество результатов.

    Returns:
        List[Tuple[str, float]]: список кортежей (текст документа, релевантность).
    """
    # similarity_search_with_score возвращает [(Document, score), ...]
    results = vectorstore.similarity_search_with_score(query, k=max_results)
    return [(doc.page_content, score) for doc, score in results]


# ────────────────────────  Инструмент: добавление  ────────────────────────
@tool("add_to_knowledge_base",
      description="Добавляет новый документ в базу знаний. "
                  "Документ разбивается на чанки и сохраняется с метаданными.")
def add_to_knowledge_base(content: str, title: str) -> str:
    """
    Добавляет текстовый контент в Qdrant.

    Args:
        content (str): полный текст документа.
        title  (str): заголовок/имя документа.

    Returns:
        str: сообщение об успешном добавлении и количестве чанков.
    """
    # Разбиваем документ на чанки
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000,
        chunk_overlap=200,
        separators=["\n\n", "\n", " ", ""],
    )
    chunks = splitter.split_text(content)

    # Создаём объекты Document с метаданными
    from langchain.schema import Document

    documents: List[Document] = [
        Document(page_content=chunk, metadata={"title": title})
        for chunk in chunks
    ]

    # Добавляем векторные представления в Qdrant
    vectorstore.add_documents(documents)

    return f"Документ '{title}' добавлен. Количество чанков: {len(chunks)}"