#RAG Temelli Chatbot-EĞİTBOT

#Gerekli kütüphaneleri ekliyoruz.
import os
import datetime
import gradio as gr
from datasets import load_dataset
from langchain_huggingface import HuggingFaceEmbeddings
from langchain.text_splitter import TokenTextSplitter
from langchain_community.vectorstores import FAISS
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
from langchain_google_genai import ChatGoogleGenerativeAI

# API anahtarları alınıyor.
GOOGLE_API_KEY = os.getenv("GOOGLE_API_KEY")
HUGGINGFACEHUB_API_TOKEN = os.getenv("HUGGINGFACEHUB_API_TOKEN")
MODEL_NAME = "models/gemini-2.5-pro"

# Veri hazırlama fonksiyonumuz.
def prepare_retriever():
    dataset_math_word = load_dataset("duxx/orca-math-word-problems-tr", split="train[:10000]")
    dataset_math_hard = load_dataset("Karayel-DDI/Turkce_Lighteval_MATH-Hard", split="train[:10000]")
    dataset_edu = load_dataset("korkmazemin1/turkish-education-dataset", split="train[:5000]")
    dataset_wiki_sum = load_dataset("musabg/wikipedia-tr-summarization", split="train[:10000]")

    documents = []
    # 1. Orca Math Word Problems
    for item in dataset_math_word:
        question = item.get("question", "").strip()
        answer = item.get("answer", "").strip()
        if question and answer:
            documents.append(f"Soru: {question}\nCevap: {answer}")

    # 2. Karayel-DDI Math Hard
    for item in dataset_math_hard:
        question = item.get("question", "").strip()
        answer = item.get("solution", "").strip()
        if question and answer:
            documents.append(f"Soru: {question}\nCevap: {answer}")

    # 3. Korkmazemin1 Turkish Education Dataset
    for item in dataset_edu:
        question = item.get("soru", "").strip()
        answer = item.get("cevap", "").strip()
        if question and answer:
            documents.append(f"Soru: {question}\nCevap: {answer}")

    # 4. Musabg Wikipedia Turkish Summarization Dataset
    for item in dataset_wiki_sum:
        text = item.get("text", "").strip()
        summary = item.get("summary", "").strip()
        if text and summary:
            documents.append(f"Metin: {text}\nÖzet: {summary}")

    text_splitter = TokenTextSplitter(chunk_size=1000, chunk_overlap=100)
    docs = text_splitter.create_documents(documents)

    # Embedding modelimiz.
    embedding_model = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

    # FAISS dizini ve daha önce kayıtlı FAISS varsa onu yükleme.
    FAISS_PATH = "faiss_index"
    if os.path.exists(FAISS_PATH):
        vectorstore = FAISS.load_local(FAISS_PATH, embedding_model, allow_dangerous_deserialization=True)
    else:
        vectorstore = FAISS.from_documents(docs, embedding_model)
        vectorstore.save_local(FAISS_PATH)

    return vectorstore.as_retriever(search_kwargs={"k": 3})

# Fonksiyonu çağırıp retriever'ı hazırlama.
retriever = prepare_retriever()

# -----------------------------
# 🔗 ÖZEL PROMPT OLUŞTURMA
# -----------------------------
# Burada modelden gelen bilgiyi nasıl kullanacağını belirtiyoruz.

prompt_template = """
Aşağıda bir öğrenci sana bir ders sorusu soruyor. Lütfen ona açık, anlaşılır ve sade bir şekilde cevap ver. 
Cevap verirken sadece gerekli bilgiyi ver, ama eğer gerekiyorsa küçük bir örnek veya açıklama ile öğrencinin konuyu anlamasına yardımcı ol.
Cevapların çok uzun olmasın ama öğretici olsun.

Bilgiler:
{context}

Soru:
{question}

Cevap:
"""


PROMPT = PromptTemplate(
    template=prompt_template,
    input_variables=["context", "question"]
)
# Burada, Google'ın yapay zeka tabanlı sohbet modeli ile bir bağlantı kuruyoruz. 
# Modeli çalıştırabilmek için öncelikle API anahtarımızı ve modelin adını belirtmemiz gerekiyor.

llm = ChatGoogleGenerativeAI(
    model=MODEL_NAME,
    google_api_key=GOOGLE_API_KEY
)
# Burada 'llm' modelini kullanarak, dil modelinden sorulara cevap alıyoruz.
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever,
    return_source_documents=False,
    chain_type="stuff",
    chain_type_kwargs={"prompt": PROMPT}
)

# Gradio UI düzeni
with gr.Blocks() as demo:
    gr.Markdown("# 📘 EğitBot - Eğitim Asistanı")
    
    with gr.Row():
        with gr.Column(scale=2):
            # Soru sorma alanı
            user_input = gr.Textbox(placeholder="Sorunuzu buraya yazınız...", label="Soru")
            send_btn = gr.Button("Gönder")

            # Toplam soru sayısı
            total_q = gr.Number(value=0, label="Toplam Sorulan Soru", interactive=False)

            # Sohbet geçmişi
            chatbox = gr.HTML(value="", label="Sohbet Geçmişi")

        with gr.Column(scale=1):
            # Sohbeti kaydetme ve temizleme butonları
            clear_btn = gr.Button("♻️ Geçmişi Temizle", variant="primary")
            save_btn = gr.Button("💾 Sohbeti Kaydet", variant="primary")
            download_file = gr.File(label="İndir")

    # Sohbeti temizleme fonksiyonu
    def clear_chat():
        return "", 0 

    clear_btn.click(fn=clear_chat, inputs=[], outputs=[chatbox, total_q])

    # Sohbeti kaydetme fonksiyonu
    def save_chat_to_file(chat_history):
        if not chat_history:
            return None
        
        # Chat geçmişini bir dosyaya kaydet
        timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")
        filename = f"chat_history_{timestamp}.txt"
        
        with open(filename, "w") as file:
            file.write(chat_history)
        
        # Kullanıcıya dosya indirme bağlantısı gönder
        return filename

    save_btn.click(fn=save_chat_to_file, inputs=[chatbox], outputs=download_file)

    # Soru gönderme fonksiyonu
    def handle_question(user_question, total_questions, chat_history):
        # Soruyu kullanarak yanıt al
        result = qa_chain.run(user_question)
        
        # Geçmişi güncelle ve toplam soru sayısını arttır
        chat_history = f"""
        <div style="background-color:#e8f4f8; padding: 10px; border-radius: 15px; margin-bottom: 5px;">
            <b>Soru:</b> <span style="color: black;">{user_question}</span>
        </div>
        <div style="background-color:#f1f9f5; padding: 10px; border-radius: 15px; margin-bottom: 5px;">
            <b>Cevap:</b> <span style="color: black;">{result}</span>
        </div>
        """ + chat_history  # Yeni soru-cevap en üstte

        total_questions += 1
        return chat_history, total_questions

    # Gönder butonuna tıklanınca soru gönderme işlemi
    send_btn.click(fn=handle_question, inputs=[user_input, total_q, chatbox], 
                   outputs=[chatbox, total_q])

# Gradio UI'sini başlatma
demo.launch(share=True)