import streamlit as st
from llama_index.core import StorageContext, load_index_from_storage, VectorStoreIndex, SimpleDirectoryReader, ChatPromptTemplate
from llama_index.llms.huggingface import HuggingFaceInferenceAPI
from dotenv import load_dotenv
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.core import Settings
import os
import base64

# Load environment variables
load_dotenv()

# Configure the Llama index settings
Settings.llm = HuggingFaceInferenceAPI(
    model_name="google/gemma-1.1-7b-it",
    tokenizer_name="google/gemma-1.1-7b-it",
    context_window=3000,
    token=os.getenv("HF_TOKEN"),
    max_new_tokens=512,
    generate_kwargs={"temperature": 0.1},
)
Settings.embed_model = HuggingFaceEmbedding(
    model_name="BAAI/bge-small-en-v1.5"
)

# Define the directory for persistent storage and data
PERSIST_DIR = "./db"
DATA_DIR = "data"

# Ensure data directory exists
os.makedirs(DATA_DIR, exist_ok=True)
os.makedirs(PERSIST_DIR, exist_ok=True)

# Fixed PDF file path
FIXED_PDF_PATH = os.path.join(DATA_DIR, "saved_pdf.pdf")

# Ingest data once on startup
@st.cache_data
def load_data():
    documents = SimpleDirectoryReader(DATA_DIR).load_data()
    storage_context = StorageContext.from_defaults()
    index = VectorStoreIndex.from_documents(documents)
    index.storage_context.persist(persist_dir=PERSIST_DIR)
    return index

# Handle user queries
def handle_query(query, index):
    chat_text_qa_msgs = [
        (
            "user",
            """Eres un profesor llamado Lobito hecho en la UPNFM. Tu objetivo principal es proporcionar respuestas lo más precisas posible, basadas en las instrucciones y el contexto que se te han dado. Si una pregunta no coincide con el contexto proporcionado o está fuera del alcance del documento, amablemente aconseja al usuario que haga preguntas dentro del contexto del documento.
            Context:
            {context_str}
            Question:
            {query_str}
            """
        )
    ]
    text_qa_template = ChatPromptTemplate.from_messages(chat_text_qa_msgs)
    
    query_engine = index.as_query_engine(text_qa_template=text_qa_template)
    answer = query_engine.query(query)
    
    if hasattr(answer, 'response'):
        return answer.response
    elif isinstance(answer, dict) and 'response' in answer:
        return answer['response']
    else:
        return "Lo siento, no puedo buscar esa respuesta"

# Initialize session state
if 'messages' not in st.session_state:
    st.session_state.messages = [{'role': 'assistant', "content": '¡Hola! Soy tu profesor personalizado.'}]

# Streamlit app initialization
st.title("Chatbot de la clase")
st.markdown("Atiendo dudas sobre el tema de IA")
#st.markdown("Generación Aumentada con Recuperación")

# Display the fixed PDF
if os.path.exists(FIXED_PDF_PATH):
    index = load_data()
else:
    st.error("No se encontró el archivo PDF. Por favor, asegúrese de que el archivo 'saved_pdf.pdf' esté en la carpeta 'data'.")

# Chat input
user_prompt = st.chat_input("¿Qué quieres saber sobre el tema?:")
if user_prompt:
    st.session_state.messages.append({'role': 'user', "content": user_prompt})
    response = handle_query(user_prompt, index)
    st.session_state.messages.append({'role': 'assistant', "content": response})

for message in st.session_state.messages:
    with st.chat_message(message['role']):
        st.write(message['content'])