app.py

from flask import Flask, render_template, request, jsonify, session
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_chroma import Chroma
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.chains import create_history_aware_retriever, create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.messages import HumanMessage, AIMessage
from dotenv import load_dotenv
import os

# Memuat variabel lingkungan (untuk testing lokal dan kunci API di server)
load_dotenv()

app = Flask(__name__, template_folder='templates')
app.secret_key = os.urandom(24)

# --- Inisialisasi Komponen Utama ---
vectorstore = None
llm = None
retriever = None
rag_chain = None

try:
    # 1. Menyiapkan Model Embedding yang Ringan
    # Model ini akan mengambil data dari cache yang sudah di-download saat build
    embedding_model = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
    
    # 2. Memuat Vectorstore (Database Chroma)
    vectorstore = Chroma(
        persist_directory="data",
        embedding_function=embedding_model
    )
    retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
    print("Vectorstore berhasil dimuat dan retriever dibuat.")
    
    # 3. Menyiapkan Model AI (LLM)
    llm = ChatGoogleGenerativeAI(model="gemini-1.5-flash", temperature=0.2)
    print("Model AI (Gemini) berhasil diinisialisasi.")

    # 4. Membuat RAG Chain (Logika Inti Aplikasi)
    contextualize_q_prompt = ChatPromptTemplate.from_messages([
        ("system", "Mengingat riwayat percakapan dan pertanyaan terbaru, formulasikan ulang pertanyaan menjadi pertanyaan yang berdiri sendiri."),
        MessagesPlaceholder("chat_history"),
        ("human", "{input}"),
    ])
    history_aware_retriever = create_history_aware_retriever(llm, retriever, contextualize_q_prompt)
    
    qa_prompt = ChatPromptTemplate.from_messages([
        ("system", "Anda adalah asisten AI untuk BPVP Kota Sorong. Gunakan potongan konteks berikut untuk menjawab pertanyaan. Jika tidak tahu jawabannya, katakan saja Anda tidak tahu. Jawab dalam bahasa Indonesia.\n\nKonteks:\n{context}"),
        MessagesPlaceholder("chat_history"),
        ("human", "{input}"),
    ])
    question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)
    rag_chain = create_retrieval_chain(history_aware_retriever, question_answer_chain)
    print("RAG Chain berhasil dibuat.")

except Exception as e:
    print(f"GALAT PENTING SAAT INISIALISASI: {e}")

# --- Rute Aplikasi Flask ---

@app.route('/')
def home():
    session.pop("chat_history", None)
    return render_template('index.html')

@app.route('/get', methods=['GET'])
def get_response():
    if not rag_chain:
        return jsonify({"error": "Server belum siap. Periksa log untuk galat inisialisasi."}), 503

    user_message = request.args.get('msg')
    if not user_message:
        return jsonify({"error": "Pesan tidak boleh kosong."}), 400

    chat_history_from_session = session.get("chat_history", [])
    chat_history = [HumanMessage(content=msg["message"]) if msg.get("sender") == "user" else AIMessage(content=msg["message"]) for msg in chat_history_from_session]

    try:
        response = rag_chain.invoke({"input": user_message, "chat_history": chat_history})
        answer = response.get("answer", "Maaf, saya tidak dapat menemukan jawaban untuk itu.")

        new_history = session.get("chat_history", [])
        new_history.append({"sender": "user", "message": user_message})
        new_history.append({"sender": "ai", "message": answer})
        session["chat_history"] = new_history
        
        return jsonify(answer)

    except Exception as e:
        print(f"GALAT saat menjalankan RAG Chain: {e}")
        return jsonify({"error": "Maaf, terjadi masalah internal saat memproses permintaan Anda."}), 500

if __name__ == '__main__':
    app.run(debug=True)