from glob import glob
from gpt_index import SimpleDirectoryReader, GPTListIndex, GPTSimpleVectorIndex, LLMPredictor, PromptHelper
from langchain.chat_models import ChatOpenAI
import gradio as gr
import sys
import os


OPENAI_API_KEY = os.getenv('token')

CACHE_FILE = "contexto_cache3.txt"

def obter_contexto():
    if os.path.exists(CACHE_FILE):
        with open(CACHE_FILE, "r") as f:
            print("passei aqui")
            contexto = f.read().strip()
    else:
    # Ler e concatenar os documentos da pasta "docs" como o contexto relevante
        docs_directory_path = "docs"
        documents = ""
        for file_path in glob(os.path.join(docs_directory_path, "*.{txt,pdf}")):
            with open(file_path, "r") as f:
                documents += f.read() + " "
        contexto = documents.strip()

        # Armazenar o contexto em um arquivo de cache
        with open(CACHE_FILE, "w") as f:

            print("passei aqui 2")
            f.write(contexto)

    return contexto

def construct_index(directory_path):
    
    max_input_size = 3072
    num_outputs = 1024
    max_chunk_overlap = 20
    chunk_size_limit = 600

    prompt_helper = PromptHelper(max_input_size, num_outputs, max_chunk_overlap, chunk_size_limit=chunk_size_limit)

    llm_predictor = LLMPredictor(llm=ChatOpenAI(temperature=0.3, model_name="gpt-3.5-turbo", max_tokens=num_outputs))

    documents = SimpleDirectoryReader(directory_path).load_data()

    index = GPTSimpleVectorIndex(documents, llm_predictor=llm_predictor, prompt_helper=prompt_helper)

    index.save_to_disk('index.json')
    print("passei aqui 3")
    return index

def chatbot(input_text):
    contexto = obter_contexto()
    index = GPTSimpleVectorIndex.load_from_disk('index.json')

    # Combinar o contexto e a pergunta de entrada
    texto_entrada = f"Dentro do assunto agilidade me responda: {input_text}{contexto} se não for agilidade não responda"
    print(texto_entrada)
      
    response = index.query(texto_entrada, response_mode="compact")
    print(response)
    return response.response


description = """
A IA foi treinada com materiais do Argon Fundamentals e do canal do Youtube do nosso treinador André Gomes para responder perguntas sobre agilidade. Faça sua pergunta!
"""

iface = gr.Interface(fn=chatbot,
                     inputs=gr.components.Textbox(lines=7, label="Como podemos te ajudar?"),
                     outputs="text",
                     description=description,                     
                     title="André GPT (Beta)"
                     )


index = construct_index("docs")
iface.launch(share=False)