from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, ServiceContext
from llama_index.llms.openai import OpenAI
from huggingface_hub import snapshot_download
import gradio as gr
import os
import yaml
import json


# 🔑 Configure sua API da OpenAI (adicione no Hugging Face em Settings > Secrets)
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")


# 🔥 Função para extrair conteúdo de YAML, JSON, TXT e MD
def extrair_conteudo_dos_arquivos(pasta):
    texto_final = ""

    for root, dirs, files in os.walk(pasta):
        for file in files:
            caminho_arquivo = os.path.join(root, file)

            try:
                if file.endswith(('.yml', '.yaml')):
                    with open(caminho_arquivo, 'r', encoding='utf-8') as f:
                        data = yaml.safe_load(f)
                        texto = yaml.dump(data, allow_unicode=True)
                        texto_final += f"\n\n### Arquivo: {file}\n{texto}"

                elif file.endswith('.json'):
                    with open(caminho_arquivo, 'r', encoding='utf-8') as f:
                        data = json.load(f)
                        texto = json.dumps(data, indent=2, ensure_ascii=False)
                        texto_final += f"\n\n### Arquivo: {file}\n{texto}"

                elif file.endswith(('.md', '.txt')):
                    with open(caminho_arquivo, 'r', encoding='utf-8') as f:
                        texto = f.read()
                        texto_final += f"\n\n### Arquivo: {file}\n{texto}"

                else:
                    continue

            except Exception as e:
                print(f"Erro ao ler {file}: {e}")

    return texto_final


# 🔧 Função para gerar o arquivo documentacao.txt
def gerar_arquivo_documentacao(pasta_origem, arquivo_destino="documentacao.txt"):
    texto = extrair_conteudo_dos_arquivos(pasta_origem)

    if texto.strip() == "":
        print("⚠️ Nenhum conteúdo encontrado nos arquivos!")
    else:
        with open(arquivo_destino, 'w', encoding='utf-8') as f:
            f.write(texto)
        print(f"✅ Arquivo {arquivo_destino} gerado com sucesso.")


# 📥 Baixar a documentação do Hugging Face Dataset
docs_dir = snapshot_download(
    repo_id="Jeice/n8n-docs-v2",
    repo_type="dataset"
)


# 🔨 Gerar o arquivo de documentação consolidado
gerar_arquivo_documentacao(docs_dir)


# 📚 Carregar o documento gerado
documents = SimpleDirectoryReader(input_files=["documentacao.txt"]).load_data()


# 🔎 Criar o índice vetorial
service_context = ServiceContext.from_defaults(
    llm=OpenAI(model="gpt-3.5-turbo")
)
index = VectorStoreIndex.from_documents(documents, service_context=service_context)


# 🚀 Criar engine de consulta
query_engine = index.as_query_engine()


# 💬 Função do chatbot
def chatbot(input_text):
    response = query_engine.query(input_text)
    return str(response)


# 🎨 Interface Gradio — Bonita e Funcional
interface = gr.Interface(
    fn=chatbot,
    inputs=gr.Textbox(lines=2, placeholder="Digite sua pergunta sobre o n8n..."),
    outputs="text",
    title="🤖 Bot de Dúvidas sobre o n8n",
    description="Este agente responde dúvidas sobre o n8n, baseado na documentação oficial que você subiu.",
    examples=[
        ["Como criar um workflow no n8n?"],
        ["Para que serve o node HTTP Request?"],
        ["Quais são os nodes para integração com Google Sheets?"],
    ],
    theme="default",
    allow_flagging="never"
)


# 🚀 Executar
interface.launch()