app.py

"""Application FastAPI pour répondre aux questions FAQ via embeddings multilingues."""
import logging
import sys
from contextlib import asynccontextmanager

from fastapi import FastAPI, HTTPException
from fastapi.responses import HTMLResponse, Response
from fastapi.middleware.cors import CORSMiddleware

from config import (
    CSV_DELIMITER,
    FAQ_FORMULATIONS_PATH,
    FAQ_RESPONSES_PATH,
)
from embeddings import EmbeddingManager
from faq_loader import FAQEntry, load_faq_data
from models import AnswerOutput, HealthResponse, QuestionInput

# Configuration du logging
logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
)
logger = logging.getLogger(__name__)

# Variables globales
embedding_manager: EmbeddingManager | None = None
faq_entries: list[FAQEntry] = []


@asynccontextmanager
async def lifespan(app: FastAPI):
    """
    Gestion du cycle de vie de l'application FastAPI.

    Au démarrage: charger les FAQ et les embeddings dans ChromaDB
    À l'arrêt: nettoyer les ressources
    """
    # --- Startup ---
    logger.info("🚀 Démarrage de l'application...")

    global embedding_manager, faq_entries

    try:
        # Initialiser le gestionnaire d'embeddings
        embedding_manager = EmbeddingManager()

        # Charger les données FAQ
        logger.info("📚 Chargement des données FAQ...")
        faq_entries = load_faq_data(
            FAQ_FORMULATIONS_PATH,
            FAQ_RESPONSES_PATH,
            delimiter=CSV_DELIMITER,
        )

        # Peupler ChromaDB
        embedding_manager.populate_collection(faq_entries)

        logger.info(f"✓ Application prête - {embedding_manager.get_collection_size()} FAQs indexées")

    except Exception as e:
        logger.error(f"❌ Erreur au démarrage: {e}")
        # En cas d'erreur fatale au démarrage, quitter le process pour éviter
        # que la plateforme (ex: Hugging Face Spaces) reste en 'starting'.
        sys.exit(1)

    yield

    # --- Shutdown ---
    logger.info("🛑 Arrêt de l'application...")
    embedding_manager = None
    faq_entries = []


# Créer l'application FastAPI
app = FastAPI(
    title="API FAQ - Embeddings multilingues",
    description="API pour répondre à des questions via recherche de similarité sur une base FAQ",
    version="1.0.0",
    lifespan=lifespan,
)

# Configuration CORS (adapter selon vos besoins)
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)


@app.get("/health", response_model=HealthResponse)
async def health_check() -> HealthResponse:
    """
    Endpoint de vérification de l'état du service.

    Returns:
        HealthResponse avec status et nombre de FAQs indexées
    """
    if embedding_manager is None:
        raise HTTPException(
            status_code=503,
            detail="Service non initialisé - les embeddings ne sont pas chargés",
        )

    faq_count: int = embedding_manager.get_collection_size()

    return HealthResponse(
        status="ok",
        faq_count=faq_count,
    )


@app.post("/ask", response_model=AnswerOutput)
async def ask_question(input_data: QuestionInput) -> AnswerOutput:
    """
    Endpoint principal pour poser une question à la base FAQ.

    Reçoit une question en texte libre, génère son embedding multilingue,
    et retourne la réponse la plus similaire avec un score de confiance.

    Args:
        input_data: Requête contenant la question

    Returns:
        AnswerOutput avec la réponse trouvée, la formulation, le theme, et le score de similarité

    Raises:
        HTTPException: Si le service n'est pas initialisé ou aucun match trouvé au-dessus du seuil
    """
    if embedding_manager is None:
        raise HTTPException(
            status_code=503,
            detail="Service non initialisé - les embeddings ne sont pas chargés",
        )

    question: str = input_data.question
    logger.info(f"📝 Question reçue: {question}")

    # Rechercher la FAQ similaire (le seuil peut être fourni dans `input_data.threshold`)
    result = embedding_manager.search_similar_faq(input_data)

    # `search_similar_faq` renvoie déjà un `AnswerOutput` (avec `confidence=False` si pas de match)
    logger.info(f"✓ Réponse préparée pour: {question}")
    return result


@app.get("/list")
async def list_faq_entries() -> Response:
    """Retourner toutes les FAQ sous forme de chaîne Markdown."""
    if not faq_entries:
        raise HTTPException(
            status_code=503,
            detail="Service non initialisé - les FAQ ne sont pas chargées",
        )

    markdown_output: str = "\n\n".join(
        f"**{entry.formulation}**\n{entry.response}" for entry in faq_entries
    )

    return Response(content=markdown_output, media_type="text/markdown")


@app.get("/", response_class=HTMLResponse)
async def root() -> str:
    """Endpoint root avec information sur l'API."""
    #return {
    #    "message": "Bienvenue sur l'API FAQ - Embeddings multilingues",
    #    "docs": "/docs",
    #    "health": "/health",
    #    "ask": "/ask",
    #}
    return """
    <html>
        <head><title>Page d'accueil</title></head>
        <body>
            <h1>Welcome on the FAQ API !</h1>
        </body>
    </html>
    """

if __name__ == "__main__":
    import uvicorn

    uvicorn.run(
        "app:app",
        host="0.0.0.0",
        port=8000,
        reload=True,
        log_level="info",
    )