# Importy podstawowych bibliotek
import logging
import gradio as gr
from openai import OpenAI
from langchain_chroma import Chroma
from langchain_huggingface import HuggingFaceEmbeddings
from datetime import datetime

# Inicjalizacja klienta OpenAI
client = OpenAI()

# Konfiguracja embeddings dla języka polskiego
embeddings = HuggingFaceEmbeddings(model_name='radlab/polish-sts-v2')

# Inicjalizacja bazy wektorowej
vector_store = Chroma(
    collection_name='baza',
    embedding_function=embeddings,
    persist_directory='baza'
)

# Konfiguracja logowania
logging.basicConfig(
    filename=f'logs/chat_log_{datetime.now().strftime("%Y%m%d")}.log',
    level=logging.INFO,
    format='%(asctime)s - %(message)s'
)

def szukaj(query, konwersacja):
    """Wyszukuje podobne fragmenty w bazie wiedzy"""
    query += konwersacja
    context_objects = vector_store.similarity_search(query=query, k=3)
    context = "\n".join(obj.page_content for obj in context_objects)
    return context

def formatuj_historie_dla_promptu(history):
    """Formatuje historię konwersacji do promptu"""
    return "\n".join(message["content"] for message in history)

def odp(message, history):
    """Główna funkcja obsługująca odpowiedzi chatbota"""
    # Ograniczenie historii do ostatnich 3 wymian
    history = history[-6:] if len(history) > 6 else history
    
    # Przygotowanie kontekstu
    kontekst_konwersacji = formatuj_historie_dla_promptu(history)
    kontekst = szukaj(message, kontekst_konwersacji)
    prompt = f"Konwersacja:\n{kontekst_konwersacji}\nKontekst z bazy wiedzy:\n{kontekst}\nPytanie użytkownika: {message}"
    
    # Generowanie odpowiedzi
    response = client.chat.completions.create(
        model='gpt-4o-mini',
        temperature=0.2,
        messages=[
            {
                'role': 'system',
                'content': 'Jesteś ekspertem dostępności cyfrowej i masz na imię Jacek. Odpowiadaj krótko na pytania korzystając z kontekstu i historii konwersacji.'
            },
            {
                'role': 'user',
                'content': prompt
            }
        ]
    )
    
    answer = response.choices[0].message.content
    
    # Logowanie
    logging.info(
        f"User message: {message}\n"
        f"Context length: {len(kontekst)}\n"
        f"Prompt tokens: {response.usage.prompt_tokens}\n"
        f"Completion tokens: {response.usage.completion_tokens}\n"
        f"Total tokens: {response.usage.total_tokens}\n"
        f"Response: {answer}"
    )
    
    # Aktualizacja historii
    history.append({'role': 'user', 'content': message})
    history.append({'role': 'assistant', 'content': answer})
    
    return '', history

# Interfejs graficzny
with gr.Blocks(title='Jacek AI') as demo:
    chatbot = gr.Chatbot(type='messages', label='Jacek AI')
    msg = gr.Textbox(autofocus=True, label='Pytaj', show_label=False)
    msg.submit(odp, [msg, chatbot], [msg, chatbot])

# Uruchomienie aplikacji
demo.launch(inbrowser=True)