app.py

import gradio as gr
from openai import OpenAI
import os
import asyncio
import re
from mcp import ClientSession
from mcp.client.stdio import stdio_client

cle_api = os.environ.get("CLE_API_MISTRAL")

# Initialisation du client Mistral (API compatible OpenAI)
client = OpenAI(api_key=cle_api, base_url="https://api.mistral.ai/v1")

def extract_csv_uri_and_question(text: str):
    """Retourne (uri, question). Si pas de uri, uri == None."""
    m = re.search(r"(csv://\S+)", text)
    if not m:
        return None, text.strip()
    uri = m.group(1).rstrip(",.;")  # retire ponctuation courante
    question = text.replace(m.group(1), "").strip()
    if question == "":
        question = "Donne un aperçu et un résumé des données."
    return uri, question

async def fetch_csv_preview(uri: str) -> str:
    # Paramètres pour lancer le provider en tant que sous-processus
    params = {
        "command": "python",
        "args": ["csv_provider.py"],
    }
    # Création de la session
    async with ClientSession(stdio_client, params) as session:
        resp = await session.get_resource(uri)
        return resp.resource.text

def trim_context(text: str, max_chars: int = 4000) -> str:
    if not text:
        return ""
    if len(text) <= max_chars:
        return text
    # garder le début (head) utile pour les CSV preview
    return text[:max_chars] + "\n... (truncated)"

def call_llm(messages, model="mistral-small-latest", max_tokens=512, temperature=0.2):
    """Appel synchrones au LLM (OpenAI-compatible)."""
    resp = client.chat.completions.create(
        model=model,
        messages=messages,
        max_tokens=max_tokens,
        temperature=temperature,
    )
    return resp.choices[0].message["content"].strip()

# --- LOGIQUE DU CHATBOT ---
def chatbot(message, history):
    history = history or []
    history.append(("Vous: " + message, ""))

    uri, question = extract_csv_uri_and_question(message)

    # Préparer prompt system
    system_prompt = (
        "Tu es un assistant utile. Si une ressource csv://... est fournie, utilise SON CONTENU "
        "pour répondre précisément aux questions. Ne devine pas les valeurs absentes. "
        "Rends la réponse concise et fournis des exemples si pertinent."
    )

    # Si l'utilisateur demande d'utiliser un CSV -> récupérer via MCP
    csv_text = None
    if uri:
        try:
            csv_text = asyncio.run(fetch_csv_preview(uri))
        except Exception as e:
            reply = f"Erreur de récupération MCP pour {uri} : {e}"
            history[-1] = (history[-1][0], "Bot: " + reply)
            return history, history

    # Construire messages pour LLM
    messages = [{"role": "system", "content": system_prompt}]
    if csv_text:
        context = trim_context(csv_text, max_chars=4000)
        messages.append({"role": "system", "content": f"--- CONTEXTE CSV ({uri}) ---\n{context}\n--- FIN CONTEXTE ---"})
        user_content = f"Question (en se basant sur le CSV):\n{question}"
    else:
        user_content = question

    messages.append({"role": "user", "content": user_content})

    # Appel LLM
    try:
        llm_reply = call_llm(messages)
    except Exception as e:
        llm_reply = f"Erreur LLM : {e}"

    history[-1] = (history[-1][0], "Bot: " + llm_reply)
    return history, history
    
with gr.Blocks() as demo:


    chatbot_ui = gr.Chatbot(label="ChatBot")
    msg = gr.Textbox(placeholder="Écrivez un message...")

    msg.submit(chatbot, [msg, chatbot_ui], [chatbot_ui, chatbot_ui])

demo.launch()