"""
DroitPro – Application d'apprentissage du droit procédural pénal
Évaluation des réponses par Gemma-4 via le serveur formegemma (llama-server OpenAI-compatible)
"""

import json
import threading
import time
import requests
import gradio as gr

# ─────────────────────────────────────────────
# Configuration du serveur IA distant
# ─────────────────────────────────────────────
LLAMA_SERVER_URL = "https://ramedde-formegemma.hf.space/v1/chat/completions"

SYSTEM_PROMPT = (
    "Tu es un professeur expert en droit procédural pénal algérien et français. "
    "Tu évalues les réponses des étudiants de manière pédagogique, bienveillante et précise. "
    "Tu réponds UNIQUEMENT en français. "
    "Tu bases tes évaluations sur les textes du Code de procédure pénale algérien et les principes généraux du droit pénal."
)

# ─────────────────────────────────────────────
# Chargement des leçons
# ─────────────────────────────────────────────
with open("lessons.json", "r", encoding="utf-8") as f:
    LESSONS = json.load(f)

LESSON_MAP = {lesson["id"]: lesson for lesson in LESSONS}


# ─────────────────────────────────────────────
# Client IA – appel HTTP au serveur formegemma
# ─────────────────────────────────────────────
def call_model(user_prompt: str, timeout: int = 60) -> str:
    """
    Envoie un prompt au serveur llama-server (formegemma) via l'API OpenAI-compatible.
    Retourne le texte généré ou un message d'erreur lisible.
    """
    payload = {
        "model": "gemma",           # llama-server ignore ce champ, on le met par convention
        "messages": [
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user",   "content": user_prompt},
        ],
        "max_tokens": 600,
        "temperature": 0.3,
        "stream": False,
    }
    try:
        resp = requests.post(
            LLAMA_SERVER_URL,
            json=payload,
            timeout=timeout,
            headers={"Content-Type": "application/json"},
        )
        resp.raise_for_status()
        data = resp.json()
        return data["choices"][0]["message"]["content"].strip()

    except requests.exceptions.Timeout:
        return (
            "⏳ Le serveur IA (formegemma) n'a pas répondu dans le délai imparti.\n"
            "Il est peut-être en cours de démarrage (cold-start). "
            "Veuillez réessayer dans 30 secondes."
        )
    except requests.exceptions.ConnectionError:
        return (
            "🔌 Impossible de joindre le serveur IA (formegemma).\n"
            "Vérifiez que l'espace ramedde/formegemma est bien actif sur Hugging Face."
        )
    except requests.exceptions.HTTPError as e:
        code = e.response.status_code if e.response else "?"
        if code == 503:
            return (
                "💤 Le serveur IA est en veille (503). "
                "Ouvrez l'espace ramedde/formegemma pour le réveiller, puis réessayez."
            )
        return f"❌ Erreur HTTP {code} du serveur IA : {e}"
    except Exception as e:
        return f"❌ Erreur inattendue lors de l'appel au modèle : {e}"


def warmup_server():
    """Ping silencieux au démarrage pour réveiller formegemma en avance."""
    time.sleep(3)
    try:
        requests.post(
            LLAMA_SERVER_URL,
            json={
                "model": "gemma",
                "messages": [{"role": "user", "content": "Bonjour."}],
                "max_tokens": 5,
            },
            timeout=90,
        )
    except Exception:
        pass   # échec silencieux, c'est juste un warmup


# Lancer le warmup en arrière-plan sans bloquer le démarrage de Gradio
threading.Thread(target=warmup_server, daemon=True).start()


# ─────────────────────────────────────────────
# Logique métier – évaluation
# ─────────────────────────────────────────────
def build_eval_prompt(question: str, reponse_modele: str, reponse_etudiant: str) -> str:
    return f"""Voici une question de droit procédural pénal :

QUESTION : {question}

RÉPONSE MODÈLE (correcte et complète) :
{reponse_modele}

RÉPONSE DE L'ÉTUDIANT :
{reponse_etudiant}

Évalue la réponse de l'étudiant selon ces critères :
1. Exactitude juridique (les éléments cités sont-ils corrects ?)
2. Complétude (les points essentiels sont-ils abordés ?)
3. Clarté et formulation

Donne :
- Une note sur 10
- Les points forts de la réponse
- Les lacunes ou erreurs à corriger
- Un conseil d'amélioration

Sois pédagogue et encourageant."""


def evaluer_reponse(lesson_id: str, question_id: str, reponse_etudiant: str) -> str:
    if not reponse_etudiant or not reponse_etudiant.strip():
        return "⚠️ Veuillez saisir une réponse avant de demander l'évaluation."

    lesson = LESSON_MAP.get(lesson_id)
    if not lesson:
        return "❌ Leçon introuvable."

    question_obj = next(
        (q for q in lesson["questions"] if q["id"] == question_id), None
    )
    if not question_obj:
        return "❌ Question introuvable."

    prompt = build_eval_prompt(
        question=question_obj["question"],
        reponse_modele=question_obj["reponse_modele"],
        reponse_etudiant=reponse_etudiant.strip(),
    )
    return call_model(prompt)


# ─────────────────────────────────────────────
# Interface Gradio
# ─────────────────────────────────────────────
CSS = """
#header { text-align: center; margin-bottom: 1rem; }
#lecon_box { background: #f0f4ff; border-radius: 8px; padding: 1rem; }
#evaluation_box { border-left: 4px solid #4f6ef7; padding-left: 1rem; }
.gr-button-primary { background: #4f6ef7 !important; }
"""

def get_lesson_choices():
    return [(f"{l['id']} – {l['titre']}", l["id"]) for l in LESSONS]

def get_question_choices(lesson_id: str):
    lesson = LESSON_MAP.get(lesson_id)
    if not lesson:
        return []
    return [(f"{q['id']} – {q['question'][:60]}…", q["id"]) for q in lesson["questions"]]

def load_lesson_content(lesson_id: str) -> str:
    lesson = LESSON_MAP.get(lesson_id)
    if not lesson:
        return ""
    return lesson["contenu"]

def load_question_text(lesson_id: str, question_id: str) -> str:
    lesson = LESSON_MAP.get(lesson_id)
    if not lesson:
        return ""
    q = next((q for q in lesson["questions"] if q["id"] == question_id), None)
    return q["question"] if q else ""

def on_lesson_change(lesson_id: str):
    choices = get_question_choices(lesson_id)
    first_qid = choices[0][1] if choices else None
    content = load_lesson_content(lesson_id)
    q_text = load_question_text(lesson_id, first_qid) if first_qid else ""
    return (
        gr.update(choices=choices, value=first_qid),
        content,
        q_text,
        "",   # reset réponse étudiant
        "",   # reset évaluation
    )

def on_question_change(lesson_id: str, question_id: str):
    q_text = load_question_text(lesson_id, question_id)
    return q_text, "", ""

def on_evaluer(lesson_id, question_id, reponse):
    result = evaluer_reponse(lesson_id, question_id, reponse)
    return result

def on_reset(lesson_id, question_id):
    return "", ""


with gr.Blocks(css=CSS, title="DroitPro – Droit Procédural Pénal") as demo:

    gr.Markdown(
        "# ⚖️ DroitPro\n### Entraînement au droit procédural pénal – Évaluation par IA (Gemma 4)",
        elem_id="header",
    )

    with gr.Row():
        # ── Colonne gauche : navigation ──────────────────────────
        with gr.Column(scale=1):
            gr.Markdown("### 📚 Leçons")
            lesson_dd = gr.Dropdown(
                label="Choisir une leçon",
                choices=get_lesson_choices(),
                value=LESSONS[0]["id"],
            )
            gr.Markdown("### ❓ Questions")
            question_dd = gr.Dropdown(
                label="Choisir une question",
                choices=get_question_choices(LESSONS[0]["id"]),
                value=LESSONS[0]["questions"][0]["id"],
            )

        # ── Colonne droite : contenu + exercice ─────────────────
        with gr.Column(scale=3):
            with gr.Tab("📖 Leçon"):
                lecon_text = gr.Textbox(
                    label="Contenu de la leçon",
                    value=LESSONS[0]["contenu"],
                    lines=8,
                    interactive=False,
                    elem_id="lecon_box",
                )

            with gr.Tab("✏️ Exercice"):
                question_text = gr.Textbox(
                    label="Question",
                    value=LESSONS[0]["questions"][0]["question"],
                    lines=3,
                    interactive=False,
                )
                reponse_input = gr.Textbox(
                    label="Votre réponse",
                    placeholder="Rédigez votre réponse ici...",
                    lines=6,
                )
                with gr.Row():
                    btn_evaluer = gr.Button("🔍 Évaluer ma réponse", variant="primary")
                    btn_reset   = gr.Button("🔄 Effacer", variant="secondary")

            with gr.Tab("📊 Évaluation IA"):
                eval_output = gr.Textbox(
                    label="Résultat de l'évaluation",
                    lines=15,
                    interactive=False,
                    elem_id="evaluation_box",
                    placeholder=(
                        "L'évaluation de votre réponse apparaîtra ici après avoir cliqué "
                        "sur « Évaluer ma réponse »."
                    ),
                )

    # ── Événements ───────────────────────────────────────────────
    lesson_dd.change(
        fn=on_lesson_change,
        inputs=[lesson_dd],
        outputs=[question_dd, lecon_text, question_text, reponse_input, eval_output],
    )

    question_dd.change(
        fn=on_question_change,
        inputs=[lesson_dd, question_dd],
        outputs=[question_text, reponse_input, eval_output],
    )

    btn_evaluer.click(
        fn=on_evaluer,
        inputs=[lesson_dd, question_dd, reponse_input],
        outputs=[eval_output],
    )

    btn_reset.click(
        fn=on_reset,
        inputs=[lesson_dd, question_dd],
        outputs=[reponse_input, eval_output],
    )

# ─────────────────────────────────────────────
# Lancement
# ─────────────────────────────────────────────
if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860)