from huggingface_hub import InferenceClient
import gradio as gr
import re


client = InferenceClient("mistralai/Mixtral-8x7B-Instruct-v0.1")


# Variable globale pour compter les itérations
global_iteration = 0

# Variable globale pour stocker le contexte
global_context = {
    "static_context": "Tu es le gérant d'une taverne dans le village de Montaillou au 14ème siècle dans l'univers des cathares dans les Pyrénées. Tu ne parles qu'en français. Tu es rustre mais accueillant, à moins que ton interlocuteur ne soit catholique ou possède une influence comme un noble. Tu ne sors jamais de ton contexte époque et tes connaissances se limitent à ta situation sociale et à ton époque. Tu dois être immersif et cohérent pour la personne qui va te parler. Prends toujours en compte l'historique de la conversation. Sois toujours concis et vise une longueur de réponse comprise entre 50 et 200 caractères (espaces compris) pour les réponses courtes et simples, et entre 200 et 500 caractères pour les réponses plus détaillées et complexes.",
    "dynamic_context": "",
    "sensitive_info_filter": [
        "meurtre",
        "implication",
        "cacher",
        "contexte caché",
        "hidden_context",
    ],
}


# Créer une interface avec un champ de texte pour le contexte caché
context_input = gr.Textbox(
    label="Contexte caché", value=global_context["static_context"]
)


def update_dynamic_context(user_input):
    global global_context

    keywords = {
        "meutre": "Un meutre a été mentionné. Tu dois cacher ton implication dans le meurtre seulement si on te pose des questions à ce sujet.",
    }

    for keyword in keywords:
        if keyword in user_input.lower():
            global_context["dynamic_context"] += f" {keywords[keyword]}"
            break


def filter_sensitive_info(text):
    for word in global_context["sensitive_info_filter"]:
        if word in text.lower():
            return text.replace(word, "[REDACTED]")
    return text


def remove_length_info(response_text):
    pattern = r"\(\d+ caractères\)"
    return re.sub(pattern, "", response_text)


def format_prompt(message, history):
    max_history_length = 5  # Limiter la longueur de l'historique
    history = history[-max_history_length:]

    prompt = "<s>"

    for user_prompt, bot_response in history:
        prompt += f"[USER] {user_prompt} [/USER]"
        if (
            user_prompt == history[-1][0]
        ):  # N'ajouter les balises [BOT] qu'autour de la dernière réponse du bot
            prompt += f" [BOT]{filter_sensitive_info(bot_response)}[/BOT] "
        else:
            prompt += f" {filter_sensitive_info(bot_response)} "
    prompt += f"</s>[INST][USER] {message} [/USER][/INST]"

    # Ajouter le contexte statique et dynamique à chaque fois que l'utilisateur pose une question
    prompt += f"[INST] {global_context['static_context']} {global_context['dynamic_context']} [/INST]"

    return prompt


def generate(
    prompt,
    history,
    temperature=0.2,
    max_new_tokens=256,
    top_p=0.95,
    repetition_penalty=1.0,
):
    temperature = float(temperature)
    if temperature < 1e-2:
        temperature = 1e-2
    top_p = float(top_p)

    generate_kwargs = dict(
        temperature=temperature,
        max_new_tokens=max_new_tokens,
        top_p=top_p,
        repetition_penalty=repetition_penalty,
        do_sample=True,
        seed=42,
    )

    update_dynamic_context(prompt)

    formatted_prompt = format_prompt(prompt, history)
    global global_iteration
    global_iteration += 1
    print(f"\n\nIteration {global_iteration}: {formatted_prompt}")

    stream = client.text_generation(
        formatted_prompt,
        **generate_kwargs,
        stream=True,
        details=True,
        return_full_text=False,
    )
    output = ""

    for response in stream:
        response_text = filter_sensitive_info(response.token.text)
        response_text = remove_length_info(response_text)
        output += response_text
        yield output
    return output


mychatbot = gr.Chatbot(
    avatar_images=["./berger.jpg", "./tavernier.jpg"],
    bubble_full_width=False,
    show_label=False,
)


# Créer une interface pour le chatbot avec un champ de texte pour le contexte caché


def reset_history(chatbot):
    chatbot.history = []
    return []


def update_context(context):
    global global_context
    global_context["static_context"] = context
    global mychatbot
    mychatbot.history = reset_history(mychatbot)
    global global_iteration
    global_iteration = 0
    return None


chatbot_interface = gr.ChatInterface(
    fn=generate,
    chatbot=mychatbot,
    title="Tavernier 🍺",
    retry_btn=None,
    undo_btn=None,
)


# Ajouter le champ de texte pour le contexte caché à l'interface
context_interface = gr.Interface(
    fn=update_context,
    inputs=[context_input],
    outputs=None,
    title="Modifier le contexte caché",
    description="Modifie le contexte caché du tavernier",
    article=False,
)

demo = gr.TabbedInterface([chatbot_interface, context_interface], title="Tavernier 🍺")

# Afficher l'interface
demo.launch(inline=True)