from langchain_groq import ChatGroq
from langchain.schema import AIMessage, HumanMessage, SystemMessage
import json
from langchain.schema import SystemMessage, HumanMessage
from langchain_groq import ChatGroq
class RAGGenerator:
     



    def generate_answer(self,messages: list, solution: str, lang: str) -> str:
        
        consigne = (
        "Te egy műszaki asszisztens vagy, aki a gépjármű-biztosításra szakosodott. "
        "A megadott végleges megoldás alapján kizárólag azokat az elemeket emeld ki, amelyek pontosan válaszolnak a felhasználó kérdésére. "
        "Ezután fogalmazz meg egy tiszta, tömör, szigorúan tényszerű, pontos és részletes választ. "
        "A válasz **csak egyetlen nyelven legyen megfogalmazva**, az utasításban megadott nyelv szerint. "
        "Ha a megoldás szövegében szerepel hivatalos forrás (pl. törvény, rendelet, cikk, kódex, jogszabály), azt **említsd meg pontosan**. "
        "NE tartalmazzon SEMMILYEN személyesítést (se név, se üdvözlés, se köszönet, se aláírás). "
        "NE kérj semmilyen külső fájlt, képernyőképet vagy adatot. "
        "Ha a kérdés nem kapcsolódik az autóbiztosításhoz vagy a rendelkezésre álló dokumentumokhoz, "
        "válaszolj az alábbi sablon szerint:\n"
        "**Elnézést, de nem tudok válaszolni erre a kérdésre. Egy autóbiztosítási témákra specializálódott asszisztens vagyok, és csak a megadott dokumentumok alapján válaszolhatok.**"
    )



        langue_instruction = {
            'fr': 'Réponds en français.',
            'en': 'Respond in English.',
            'es': 'Responde en español.',
            'de': 'Antworte auf Deutsch.',
            'zh': '请用中文回答。' 
        }

        sys_msg = consigne + ' ' + langue_instruction.get(lang, '')

        content = [SystemMessage(content = f"A következő megoldás felhasználásával készítsd el az átfogalmazást: Végleges megoldás:\n{solution}")]

        chat_history = [SystemMessage(content=sys_msg)] + [
            AIMessage(content=msg["content"]) if msg["role"] == "assistant" else HumanMessage(content=msg["content"]) 
            for msg in messages
        ] + content

        chat = ChatGroq(
            model_name="meta-llama/llama-4-scout-17b-16e-instruct",  
            temperature=0.2
        )

        reply = chat.invoke(chat_history)

        return reply.content


    def retrieve_qa(self,query: str, docs_scores: list = []) -> tuple:
        if not docs_scores:
            raise ValueError("Nem található dokumentum a lekérdezéshez.")

        chat = ChatGroq(
            model_name="LLaMA3-8b-8192",
            temperature=0
        )
        try:
            lang_detect_messages = [
                SystemMessage(content="Határozd meg a következő mondat nyelvét. Csak az ISO 639-1 nyelvkódot válaszold meg (pl. 'fr', 'en', 'es' stb.):"),

                HumanMessage(content=query)
            ]
            lang_response = chat.invoke(lang_detect_messages)
            lang = lang_response.content.strip().lower()
        except Exception:
            lang = "en"  
        if not docs_scores:
                raise ValueError("Aucun document pertinent trouvé après reranking.")

        first_doc, _ = docs_scores[0]
        try:
            qa_pairs = json.loads(first_doc.metadata.get('qa_pairs', '[]'))
            qa_pairs = [q for q in qa_pairs if q.get('question')]
        except json.JSONDecodeError:
            raise ValueError("Érvénytelen a 'qa_pairs' metaadat.")


        if lang and qa_pairs:
            for pair in qa_pairs:
                original_question = pair.get("question", "")
                if original_question:
                    try:
                        messages = [
                            SystemMessage(content=f"Fordítsd le a következő kérdést {lang} nyelvre, csak a lefordított mondatot add meg:"),

                            HumanMessage(content=original_question)
                        ]
                        response = chat.invoke(messages)
                        pair["question"] = response.content.strip()
                    except Exception:
                        pass

        solutions = []
        for doc, _ in docs_scores:
            sol = doc.metadata.get('solution_finale', '')
            if sol:
                solutions.append(sol)
        full_solution = "\n\n".join(solutions)

        return qa_pairs, full_solution, lang