from langchain_openai import OpenAIEmbeddings
from langchain_openai import OpenAI
from langchain.chains import LLMChain
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory, ChatMessageHistory,ConversationBufferWindowMemory
from langchain_core.prompts.chat import (
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
    SystemMessagePromptTemplate,
    PromptTemplate,
)
from langchain_community.chat_message_histories import (
    PostgresChatMessageHistory,
)
import urllib.parse
from langchain.chains import create_qa_with_sources_chain
from langchain.chains.combine_documents.stuff import StuffDocumentsChain
from langchain.chains import ConversationalRetrievalChain
from langchain_community.vectorstores.pgvecto_rs import PGVecto_rs
from langchain_core.messages import HumanMessage, SystemMessage
import json
from langchain_core.documents import Document
from langchain_core.embeddings import Embeddings
from langchain_community.callbacks import get_openai_callback
from app.models import modelo_chat

from dotenv import load_dotenv
import os
load_dotenv()
API_KEY_OPENAI=os.getenv("API_KEY_OPENAI")
API_URL_MILVUS=os.getenv("API_URL_MILVUS")

def pregunta(pregunta:str,sesion:str):
    llm = ChatOpenAI(temperature=0.5, model="gpt-3.5-turbo-0125",openai_api_key="token", max_tokens=300)
    #CONNECTION_STRING = "postgresql+psycopg2://postgres:OzMFq5AZeu48PxL@74.208.117.78:5431/postgres"
    CONNECTION_STRING = ""
    COLLECTION_NAME = 'prueba'

    embeddings = OpenAIEmbeddings(
        model="text-embedding-3-large",
        openai_api_key=""
    )

    vectordb = PGVecto_rs.from_collection_name(
        embedding=embeddings,
        collection_name=COLLECTION_NAME,
        db_url=CONNECTION_STRING
    )

    condense_question_prompt = """Dada la siguiente conversación y una pregunta de seguimiento, reformule la pregunta de seguimiento para que sea una pregunta independiente, en su idioma original.
    Asegúrate de evitar el uso de pronombres poco claros. 
    conversacion: {chat_history}
    Pregunta de seguimiento: {question}
    Pregunta independiente:"""




    encoded_password = urllib.parse.quote_plus("Q@QMKUrTsFFa")
    history = PostgresChatMessageHistory(
    connection_string=f"postgresql://tws2admin:{encoded_password}@198.251.78.201:5432/tws2_db_prod_courier?options=-c%20search_path%3Dlhia-ja",
    session_id=sesion,
    table_name="historial_chat")



    condense_question_prompt = PromptTemplate.from_template(condense_question_prompt)

    condense_question_chain = LLMChain(
    llm=llm,
    prompt=condense_question_prompt,
    )
    memory = ConversationBufferWindowMemory(chat_memory=history, memory_key="chat_history", k=1)

    qa_chain = create_qa_with_sources_chain(llm)

    doc_prompt = PromptTemplate(
    template="""
    1. Actúa como un vendedor de la Empresa Marcimex, que se dedica a la venta de productos para el hogar.
    2. La empresa Marcimex solo realiza venta de productos, no es una marca propia.
    3. Debes obtener todas las características posibles para realizar una búsqueda de productos.
    4. Cuando obtengas todas las características necesarias de un producto, entrega solo el nombre y las características del producto precedidas por la palabra 'producto_encontrado' en el formato '[nombre, características]'.
    5. Si el usuario solicita una lista, obtén solamente el nombre o tipo del producto precedido por la palabra 'listar_producto' en el formato 'nombre producto: xxx'. Resúmelo en una frase.
    6. Si no se encuentra información sobre los productos, responde que no se dispone del producto por el momento.
    7. Si el usuario te pregunta sobre temas diferentes a la búsqueda de información de productos, responde: 'Lamentablemente no puedo ayudarte con esto, solo puedo responder preguntas relacionadas a la temática de productos o información de Marcimex.'
    8. Las respuestas deben ser informativas.
    Content: {page_content}\nSource: {source}""",
    input_variables=["page_content", "source"],
    )

    final_qa_chain = StuffDocumentsChain(
    llm_chain=qa_chain,
    document_variable_name="context",
    document_prompt=doc_prompt,
    )

    retrieval_qa = ConversationalRetrievalChain(
    question_generator=condense_question_chain,
    retriever=vectordb.as_retriever(),
    memory=memory,
    combine_docs_chain=final_qa_chain,
    )

    response = retrieval_qa.run({"question": pregunta})
    responseDict = json.loads(response)
    answer = responseDict["answer"]
    sources = responseDict["sources"]
    history.add_user_message(pregunta)
    history.add_ai_message(answer)
    modelo =modelo_chat.RespuestaPython(respuesta=answer,documento=sources)
    return modelo