app.py

import gradio as gr
import google.generativeai as genai
import os
from dotenv import load_dotenv
import json
import pandas as pd
import re
import tempfile
import textwrap
from ddgs import DDGS

load_dotenv()  # 初始化：載入 .env 檔案中的變數

# --- 1. 設定 Google Gemini API ---
api_key = os.getenv("GEMINI_API_KEY")
if not api_key:
    print("❌ 警告：未偵測到 API Key，請在 Settings > Secrets 中設定 'GEMINI_API_KEY'。")
else:
    genai.configure(api_key=api_key)

# --- 外包資訊獲取函式 (使用 DuckDuckGo) ---
def search_weather_info(location, date):
    """
    使用 DuckDuckGo 搜尋當地的天氣資訊，不需 API Key。
    """
    search_query = f"{location} {date} 天氣 氣溫 降雨機率 中央氣象署"
    print(f"🔍 正在搜尋：{search_query}")
    
    try:
        results = DDGS().text(search_query, max_results=3)
        # 將搜尋結果組合成一段文字
        context_text = ""
        for res in results:
            context_text += f"- 標題：{res['title']}\n  內容：{res['body']}\n"
        return context_text
    except Exception as e:
        print(f"⚠️ 搜尋失敗: {e}")
        return "無法取得即時天氣資訊，請依據歷史氣候推估。"

# --- 2. RAG 知識庫載入與檢索邏輯 ---
RAG_FILE = "rag_knowledge.json"
KNOWLEDGE_BASE = []

def load_knowledge_base():
    """程式啟動時載入 JSON 資料集"""
    global KNOWLEDGE_BASE
    if os.path.exists(RAG_FILE):
        try:
            with open(RAG_FILE, "r", encoding="utf-8") as f:
                KNOWLEDGE_BASE = json.load(f)
            print(f"📚 RAG 知識庫載入成功！共 {len(KNOWLEDGE_BASE)} 筆片段。")
        except Exception as e:
            print(f"⚠️ 知識庫讀取失敗: {e}")
    else:
        print(f"⚠️ 找不到 {RAG_FILE}，將無法使用 RAG 功能。")

# 執行載入
load_knowledge_base()

def retrieve_context(activity):
    """
    根據活動類型，從知識庫中篩選相關的內容
    這是一個輕量化的 Metadata Filtering RAG
    """
    if not KNOWLEDGE_BASE:
        return "無知識庫資料"
    
    related_chunks = []
    
    # 定義關鍵字對映 (Activity -> PDF Filename keywords)
    keywords = []
    if activity == "登山健行":
        keywords = ["登山", "玉山"] # 會抓取「登山裝備」和「玉山檢查表」
    elif activity == "自行車騎行":
        keywords = ["單車"]
    elif activity == "馬拉松":
        keywords = ["跑步"]
    
    # 篩選相關片段
    for chunk in KNOWLEDGE_BASE:
        source_name = chunk.get("source", "")
        # 如果來源檔名包含對應的關鍵字，就納入 Context
        if any(k in source_name for k in keywords):
            # 格式化內容：[來源: 頁數] 內容...
            formatted_text = f"[出處: {os.path.basename(source_name)} P.{chunk['page']}]\n{chunk['content']}"
            related_chunks.append(formatted_text)
    
    # 將所有片段合併成一個字串
    if related_chunks:
        print(f"🔍 RAG 檢索: 針對 '{activity}' 找到了 {len(related_chunks)} 個相關片段。")
        return "\n\n".join(related_chunks)
    else:
        print(f"⚠️ RAG 檢索: 找不到 '{activity}' 的相關資料。")
        return "無相關知識庫資料"

# --- 3. 核心邏輯 ---
def adapt_gear_advisor(activity, location, date, duration, feedback):
    print(f"--- 開始處理請求: {activity} @ {location} ---")

    # 先執行「外包」的搜尋工作
    weather_context = search_weather_info(location, date)
    print(f"📄 獲取外部資訊長度: {len(weather_context)} 字")
    
   # 步驟 A: 執行 RAG 檢索
    rag_context = retrieve_context(activity)
    
    # 步驟 B: 設定模型 (啟用 Google Search)
    model_name = 'models/gemini-2.5-flash'
    try:
        model = genai.GenerativeModel(model_name)
    except Exception as e:
        return f"❌ 模型初始化失敗: {str(e)}", None, None

    # 步驟 C: 組合 Prompt (注入 RAG Context)
    prompt = f"""
    你是一個專業的戶外運動裝備顧問 'AdaptGear'。
    
    【外部搜尋到的天氣資訊】
    以下是剛剛從網路上搜尋到的真實資料：
    {weather_context}

    【任務目標】
    1. **天氣推估**：請根據 '{location}' 與 '{date}'，自行推估該季節的平均氣候（氣溫、降雨機率）。
    2. **核心任務**：參考下方的【RAG 知識庫內容】，生成一份符合該活動規範的客製化裝備清單。
       請優先使用知識庫中提到的專業裝備名稱（例如：若知識庫提到「GTX 外套」，就不要只寫「雨衣」）。
    3. 結合使用者的【歷史回饋】進行反思與調整。
    
    【RAG 知識庫內容 (請嚴格參考此資料建立清單)】
    {rag_context}
    
    【使用者輸入】
    - 活動類型：{activity}
    - 地點/路線：{location}
    - 日期與時間：{date}
    - 行程時長：{duration}
    - 歷史回饋：{feedback if feedback else "無"}
    
    【輸出格式要求】
    只輸出一個標準 JSON 物件：
    {{
      "weather_forecast": "真實天氣數據 (氣溫/降雨機率)",
      "smart_advice": "結合「RAG 知識庫規範」與「使用者回饋」的綜合建議",
      "checklist": [
        {{ "category": "分類(如:個人裝備)", "item": "裝備名稱", "reason": "說明(例如: 依據玉山檢查表規定必帶)", "quantity": "數量" }},
        ...
      ]
    }}
    """
    
    try:
        print(f"正在呼叫模型 (含搜尋 & RAG)...")
        response = model.generate_content(prompt)
        print("✅ 生成成功")
        raw_text = response.text
        
        # 解析 JSON
        try:
            # 1. 尋找字串中第一個 '{' 和最後一個 '}'
            start_idx = raw_text.find('{')
            end_idx = raw_text.rfind('}') + 1
            
            if start_idx != -1 and end_idx != -1:
                # 只擷取大括號中間的內容 (過濾掉前面的 "Here is JSON" 或後面的雜訊)
                json_str = raw_text[start_idx:end_idx]
                data = json.loads(json_str)
            else:
                raise ValueError("無法在回應中找到 JSON 區塊 (找不到大括號)")

        except json.JSONDecodeError as e:
            # 如果還是失敗，印出原始文字以供除錯
            print(f"❌ JSON 解析失敗。原始回應:\n{raw_text}")
            return f"解析錯誤：模型回傳了非 JSON 格式的內容。\n錯誤細節: {e}", None, None
        
        # 處理顯示文字
        weather_info = data.get('weather_forecast', '無資料')
        advice_info = data.get('smart_advice', '無資料')
        display_text = (
            f"## 🌤️ 天氣預測\n\n"
            f"{weather_info}\n\n"
            f"## 💡 AdaptGear 叮嚀\n\n"
            f"{advice_info}\n\n"
        )
        
        # 處理表格與下載
        checklist = data.get('checklist', [])
        df = pd.DataFrame(checklist)
        df.columns = ['類別', '裝備項目', '推薦理由', '數量']
        
        with tempfile.NamedTemporaryFile(delete=False, suffix=".csv", mode='w', encoding='utf-8-sig') as tmp:
            df.to_csv(tmp.name, index=False)
            file_path = tmp.name
        
        return display_text, df, file_path
        
    except Exception as e:
        error_msg = str(e)
        print(f"❌ 生成失敗: {error_msg}")
        return f"發生錯誤：{error_msg}", None, None

# --- 3. 建置 Gradio 介面 ---
with gr.Blocks() as demo:
    gr.Markdown("# 🏔️ AdaptGear 運動裝備智慧顧問")
    
    with gr.Row():
        with gr.Column(scale=1):
            input_activity = gr.Dropdown(
                label="活動類型",
                choices=[
                    "登山健行",
                    "自行車騎行",
                    "馬拉松",
                ],
                value="登山健行"
            )
            input_location = gr.Textbox(label="地點/路線", value="嘉明湖", placeholder="例如：嘉明湖")
            input_date = gr.DateTime(label="出發日期", include_time=False, type="string")
            input_duration = gr.Textbox(label="行程時長", value="三天兩夜", placeholder="例如：三天兩夜")
            input_feedback = gr.Textbox(label="歷史回饋 (選填)", lines=3, placeholder="例如：上次覺得水帶不夠...")
            submit_btn = gr.Button("生成裝備清單", variant="primary")
            
        with gr.Column(scale=2):
            # 區塊 1: 智慧建議與天氣 (文字)
            output_advice = gr.Markdown(label="智慧分析")
            
            # 區塊 2: 裝備清單 (表格) - 看起來更有系統性
            output_table = gr.Dataframe(
                headers=["類別", "裝備項目", "推薦理由", "數量"],
                label="客製化裝備清單",
                interactive=False
            )
            
            # 區塊 3: 下載按鈕
            output_file = gr.File(label="下載清單 (.csv)")

    submit_btn.click(
        fn=adapt_gear_advisor,
        inputs=[input_activity, input_location, input_date, input_duration, input_feedback],
        outputs=[output_advice, output_table, output_file]
    )

# --- 4. 啟動應用 ---
if __name__ == "__main__":
    demo.launch()