import streamlit as st
from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
from sentence_transformers import SentenceTransformer
from langchain.vectorstores import Chroma
import os

# Hugging Face 모델 ID
model_id = "hewoo/meta-llama-3.2-3b-chatbot"  # 업로드한 모델의 repo_id
token = os.getenv("HF_API_TOKEN")  # Hugging Face API 토큰 (필요 시 설정)

# 모델과 토크나이저 로드
tokenizer = AutoTokenizer.from_pretrained(model_id, use_auth_token=token)
model = AutoModelForCausalLM.from_pretrained(model_id, use_auth_token=token)

# 텍스트 생성 파이프라인 설정
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer, max_new_tokens=150, temperature=0.5, top_p=0.85, top_k=40, repetition_penalty=1.2)

# 임베딩 모델 및 검색 기능 설정
embedding_model = SentenceTransformer("sentence-transformers/all-MiniLM-L6-v2")
persist_directory = "./chroma_batch_vectors"
vectorstore = Chroma(persist_directory=persist_directory, embedding_function=embedding_model.encode)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 검색 결과 요약 함수
def summarize_results(search_results):
    combined_text = "\n".join([result.page_content for result in search_results])
    summary = summarizer(combined_text, max_length=100, min_length=30, do_sample=False)[0]["summary_text"]
    return summary

# 검색 및 응답 생성 함수
def generate_response(user_input):
    # 검색 및 맥락 생성
    search_results = retriever.get_relevant_documents(user_input)
    context = "\n".join([result.page_content for result in search_results])

    # 모델에 맥락과 질문 전달
    input_text = f"맥락: {context}\n질문: {user_input}"
    response = pipe(input_text)[0]["generated_text"]

    return response

# Streamlit 앱 UI
st.title("챗봇테스트")
st.write("Llama 3.2-3B 모델을 사용한 챗봇입니다. 질문을 입력해 주세요.")

# 사용자 입력 받기
user_input = st.text_input("질문")
if user_input:
    response = generate_response(user_input)
    st.write("챗봇 응답:", response)