services/mcp_service.py

"""Service pour initialiser le serveur MCP avec FastMCP"""

from mcp.server.fastmcp import FastMCP
from typing import Dict, Any
import logging

from fastapi import FastAPI  # Ajouté pour résoudre l'erreur Pylance "FastAPI is not defined"

from services.stance_model_manager import stance_model_manager
from services.label_model_manager import kpa_model_manager  # Corrigé : import depuis kpa_model_manager (cohérent avec main.py)
from services.stt_service import speech_to_text
from services.tts_service import text_to_speech
from services.chat_service import generate_chat_response
# Note : Adapte les imports models si tes schémas sont dans un fichier unique (ex. models/schemas.py)
# from models.stance import StanceRequest, StanceResponse  # Si séparé
# from models.kpa import PredictionRequest, PredictionResponse  # Si séparé
# Ou si un seul fichier models.py :
# from models import StanceRequest, StanceResponse, PredictionRequest, PredictionResponse

logger = logging.getLogger(__name__)

# Créer l'instance FastMCP (nom du serveur, JSON pour responses structurées)
mcp_server = FastMCP("NLP-Debater-MCP", json_response=True, stateless_http=False)  # Stateful pour sessions voice chat

# Tool pour Stance Detection
@mcp_server.tool()
def detect_stance(topic: str, argument: str) -> Dict[str, Any]:
    """
    Détecte la stance (PRO/CON) d'un argument par rapport à un topic.
    
    Args:
        topic: Le sujet de débat (ex. "Assisted suicide should be a criminal offence")
        argument: L'argument à classifier (ex. "People have the right to choose...")
    
    Returns:
        Dict avec predicted_stance, confidence, probabilities.
    """
    if not stance_model_manager.model_loaded:
        raise ValueError("Modèle stance non chargé")
    
    result = stance_model_manager.predict(topic, argument)
    return {
        "predicted_stance": result["predicted_stance"],
        "confidence": result["confidence"],
        "probability_con": result["probability_con"],
        "probability_pro": result["probability_pro"]
    }

# Tool pour Key-Point Argument Matching (KPA)
@mcp_server.tool()
def match_keypoint_argument(argument: str, key_point: str) -> Dict[str, Any]:
    """
    Prédit si un argument matche un key-point (apparie/non_apparie).
    
    Args:
        argument: Texte de l'argument
        key_point: Le key-point de référence
    
    Returns:
        Dict avec prediction (0/1), label, confidence, probabilities.
    """
    if not kpa_model_manager.model_loaded:
        raise ValueError("Modèle KPA non chargé")
    
    result = kpa_model_manager.predict(argument, key_point)
    return {
        "prediction": result["prediction"],
        "label": result["label"],
        "confidence": result["confidence"],
        "probabilities": result["probabilities"]
    }

# Tool pour STT (Speech-to-Text) - Note : Pour audio, utilise un upload via resource ou adapte
@mcp_server.tool()
def transcribe_audio(audio_path: str) -> str:
    """
    Transcrit un fichier audio en texte (via Groq Whisper).
    
    Args:
        audio_path: Chemin vers le fichier audio (ex. temp file)
    
    Returns:
        Texte transcrit.
    """
    return speech_to_text(audio_path)

# Tool pour TTS (Text-to-Speech)
@mcp_server.tool()
def generate_speech(text: str, voice: str = "Aaliyah-PlayAI", format: str = "wav") -> str:
    """
    Génère un fichier audio à partir de texte (via Groq TTS).
    
    Args:
        text: Texte à synthétiser
        voice: Voix (défaut: Aaliyah-PlayAI)
        format: wav ou mp3
    
    Returns:
        Chemin vers le fichier audio généré.
    """
    return text_to_speech(text, voice, format)

# Tool pour Argument Generation (Chatbot)
@mcp_server.tool()
def generate_argument(user_input: str, conversation_id: str = None) -> str:
    """
    Génère une réponse argumentative via chatbot (via Groq Llama).
    
    Args:
        user_input: Input utilisateur
        conversation_id: ID de session (optionnel)
    
    Returns:
        Réponse générée.
    """
    return generate_chat_response(user_input, conversation_id)

# Resource exemple : Prompt template pour débats
@mcp_server.resource("debate://prompt")
def get_debate_prompt(topic: str) -> str:
    """Récupère un template de prompt pour générer des arguments sur un topic."""
    return f"Tu es un expert en débat. Génère 3 arguments PRO pour le topic: {topic}. Sois concis et persuasif."

def init_mcp_server(app: FastAPI) -> None:  # Retiré les quotes : FastAPI est maintenant importé
    """
    Initialise et monte le serveur MCP sur l'app FastAPI.
    Ajoute les routes MCP à /api/v1/mcp (ex. : /tools, /call, /resources).
    """
    # Monter l'app MCP sur FastAPI (via Starlette Mount, compatible FastAPI)
    from starlette.routing import Mount
    
    # Créer l'app MCP streamable
    mcp_app = mcp_server.streamable_http_app(streamable_http_path="/mcp")  # Chemin racine /mcp
    
    # Monter directement sur l'app FastAPI (app.mount pour sub-app)
    app.mount("/api/v1/mcp", mcp_app)  # Monte à /api/v1/mcp - gère /tools, /call, etc.
    
    logger.info("✓ Serveur MCP initialisé et monté sur /api/v1/mcp avec tools NLP/STT/TTS")
    
    # Pour batch ou health, ajoute si besoin (ce tool est déjà décoré)
    @mcp_server.tool()
    def health_check() -> Dict[str, Any]:
        return {"status": "healthy", "tools": list(mcp_server.tools.keys())}