import pinecone
import google.generativeai as genai
from sklearn.metrics.pairwise import cosine_similarity
from sentence_transformers import SentenceTransformer
import numpy as np
import gradio as gr
from pinecone import Pinecone

# Configurer l'API Google
genai.configure(api_key="AIzaSyBLlaGtxtzHmVgMfOC02AfgvOoKTwXGGIc")
pc = Pinecone(api_key="pcsk_2vJdv7_KGHuiapnC85fgFaUGdZKyqiHPBv4hPMSnDq7FnzLSvhs2Ur51C3Z6rmbyyYVLZ5", environment="us-west1-gcp")

# 2. Initialisation
index_name = "index-embeddings"
embedding_model = SentenceTransformer("all-MiniLM-L6-v2")
model_gene = genai.GenerativeModel("gemini-2.0-flash")

# Connecter à l'index Pinecone
index = pc.Index(index_name)

# Fonction pour récupérer les 3 résultats les plus similaires de Pinecone
def get_most_similar_chunk(query):
    # Utiliser le modèle SentenceTransformer pour générer l'embedding de la requête
    model = SentenceTransformer("all-MiniLM-L6-v2")
    query_embedding = model.encode(query)

    # Effectuer une recherche dans Pinecone
    result = index.query(
        vector=query_embedding.tolist(),  # Convertir en liste pour Pinecone
        top_k=5,  # Nombre de résultats à retourner
        include_metadata=True  # Inclure les métadonnées
    )

    # Vérifier si des matches sont trouvés
    if 'matches' not in result:
        return []

    # Récupérer les chunks et leurs scores de similarité
    similar_chunks = []
    for match in result['matches']:
        if 'metadata' in match:
            # Vérifier que la clé 'text' existe dans les métadonnées
            text = match['metadata'].get('text', 'Texte non disponible')
            similar_chunks.append((text, match['score']))  # Utiliser 'text' ici, pas 'chunk'

    return similar_chunks

# Initialisation du modèle de génération
model_gene = genai.GenerativeModel("gemini-2.0-flash")

def chatbot(user_prompt):
    if not user_prompt:
        return "❗ Veuillez entrer une question."

    similar_chunks = get_most_similar_chunk(user_prompt)
    context = "\n".join(
        [f"Contexte {i+1}: {chunk} (score: {score:.2f})" for i, (chunk, score) in enumerate(similar_chunks)]
    )

    prompt = f"""
        TTu es un assistant expert dans la politique interne de notre entreprise , et ta mission est d’apporter des réponses claires, concises et accessibles à toutes les 
        questions liées à la politique interne, en te basant sur les informations disponibles dans le documents fournit et donne des exemples concrets pour illustrer la situation. 
        Lorsque quelqu’un te pose une question, veille à ce que ta réponse soit facile à comprendre, sans jargon complexe. Si tu rencontres un manque 
        d’informations pour répondre de manière précise, sois transparent à ce sujet. 
        Chaque réponse doit commencer par une accroche sympathique pour engager l’utilisateur, puis expliquer de manière simple les concepts clés 
        en lien avec la question posée. Enfin, offre une mini check-list ou résumé des points essentiels pour aider l’utilisateur à mieux comprendre.
        Question : {user_prompt}\n
        {context}\nRéponse :
    """

    response = model_gene.generate_content(prompt)
    return response.text

# 5. Interface Gradio
demo = gr.Interface(
    fn=chatbot,
    inputs=gr.Textbox(label="💬 Entrez votre question ici :"),
    outputs=gr.Textbox(label="📢 Réponse du chatbot :"),
    title="🤖 Assistant Politique interne",
    description="Posez votre question, l’assistant vous répond avec des sources pertinentes."
)

if __name__ == "__main__":
    demo.launch()