import faiss
import gradio as gr
from typing import Any, Generator, Iterator
from sentence_transformers import SentenceTransformer
from utils.llm_response import generate_response_with_llm  # A função unificada agora trata as estratégias de RAG e LLM
from utils.phrase_extractor import process_file_content

# from utils.report_creation import generate_report
from .strings import STRINGS

# DEPRECATED: A função volta com a consolidação de um futuro OCR.
# def extract_phrases_from_gradio_file(gradio_file: gr.File) -> gr.Textbox:
#    """
#    Utilizes the 'process_file' function from 'utils.phrase_extractor' to read the
#    file content and extract phrases, returning them as a text block for Gradio.
#    """
#    if gradio_file is None:
#        return gr.Textbox(value="", placeholder=STRINGS["TEXT_INPUT_PLACEHOLDER_EMPTY"])
#
#    try:
#        # Chama a função unificada de processamento de arquivo que retorna uma lista de frases
#        phrases = process_file_content(gradio_file.name)
#
#        phrases_text = "\n".join(phrases)
#        return gr.Textbox(value=phrases_text, placeholder=STRINGS["TEXT_INPUT_PLACEHOLDER_LOADED"])
#    except Exception as e:
#        return gr.Textbox(value=f"Error: {e}", placeholder=STRINGS["TEXT_INPUT_PLACER_EMPTY"])


def process_phrases_with_rag_llm(
    input_phrases_text: str, rag_docs: list[str], rag_index: faiss.Index, rag_embedder: SentenceTransformer
) -> Iterator[tuple[gr.Textbox, gr.Textbox, gr.Tabs, gr.TabItem]]:
    """
    Receives a block of text (phrases separated by newlines) and processes it
    with the RAG+LLM API (`res_generate_API`) using a multiple-context strategy.
    Returns a status textbox, a formatted responses textbox, and updates tabs to switch to the results tab.
    """
    print(f'Processando o bloco de frases para geração de resposta: "{input_phrases_text[:100]}..."')
    current_symbol = " ♾️"  # Emojis para indicar status de processamento e sucesso

    # --- Ação 1: Mudar de aba IMEDIATAMENTE e mostrar mensagem de processamento ---
    # O 'yield' envia: (Status, Resultado, Tabs)
    yield (
        gr.update(value=STRINGS["TXTBOX_STATUS_IDLE"], interactive=False),
        gr.update(value="", interactive=False),
        gr.update(selected=1),
        gr.update(label=STRINGS["TAB_1_TITLE"] + current_symbol, interactive=True),
    )

    # time.sleep(1)  # Simula um pequeno atraso para processamento

    try:
        # Chama a função unificada de geração de resposta, especificando a estratégia RAG
        # O LLM então usará os múltiplos contextos recuperados para gerar uma única resposta consolidada.

        llm_response = generate_response_with_llm(
            input_phrase=input_phrases_text,
            documents=rag_docs,
            index=rag_index,
            embedder=rag_embedder,
            llm_choice="gemini",  # ou 'ollama', conforme a necessidade
            rag_strategy="multiple",  # A chave para usar a busca por múltiplos contextos
        )

        #        with open("./sandbox/respostateste.txt", "r", encoding="utf-8") as arquivo:
        #            llm_response = arquivo.read() #TODO: Test Only

        status_message = STRINGS["TXTBOX_STATUS_OK"]
        formatted_output = f"--- Resposta Fornecida pela LLM ---\n{llm_response}\n"
        current_symbol = " ✅"

    except Exception as e:
        status_message = STRINGS["TXTBOX_STATUS_ERROR"]
        formatted_output = f"\n{STRINGS['--- Erro ---']}\nDetalhes: {e}"
        current_symbol = " ⚠️"

    # --- Ação 3: Retornar o resultado final e o status ---
    # A aba já está selecionada, então gr.Tabs() aqui apenas satisfaz a assinatura e mantém a aba atual.
    yield (
        gr.update(value=status_message, interactive=False),
        gr.update(value=formatted_output, interactive=False),
        gr.update(),
        gr.update(label=STRINGS["TAB_1_TITLE"] + current_symbol, interactive=True),
    )