"""
agent.py — AI-агент с RAG-памятью на базе Ollama (llama3) и Qdrant.

Использует create_react_agent из langgraph (рекомендуемый способ в LangChain v0.3+)
с системным промптом, инструктирующим агента работать с базой знаний.
"""

from langchain_ollama import ChatOllama
from langgraph.prebuilt import create_react_agent
from langchain_core.messages import SystemMessage

from tools import search_knowledge_base, add_to_knowledge_base

# ── Модель ────────────────────────────────────────────────────────────────────
LLM_MODEL = "llama3"

llm = ChatOllama(model=LLM_MODEL, temperature=0.3)

# ── Системный промпт ──────────────────────────────────────────────────────────
SYSTEM_PROMPT = """Ты — интеллектуальный AI-ассистент с доступом к локальной базе знаний.

Правила работы:
1. ВСЕГДА начинай с поиска в базе знаний с помощью инструмента search_knowledge_base,
   прежде чем отвечать на вопрос пользователя.
2. Если в базе найдена релевантная информация — используй её как основу ответа
   и явно ссылайся на источник.
3. Если пользователь просит сохранить информацию — используй add_to_knowledge_base.
4. Если база знаний не содержит нужной информации — честно сообщи об этом
   и постарайся помочь на основе своих знаний.
5. Отвечай на том же языке, на котором задан вопрос.
"""

# ── Агент ─────────────────────────────────────────────────────────────────────
rag_tools = [search_knowledge_base, add_to_knowledge_base]

agent = create_react_agent(
    model=llm,
    tools=rag_tools,
    prompt=SYSTEM_PROMPT,
)


def run_agent(user_input: str) -> str:
    """
    Запускает агента с переданным запросом и возвращает финальный ответ.
    """
    result = agent.invoke({"messages": [("user", user_input)]})
    # Финальное сообщение — последнее от ассистента
    for msg in reversed(result["messages"]):
        if msg.type == "ai" and msg.content:
            return msg.content
    return "Агент не вернул ответ."