import gradio as gr
import json
import pandas as pd
from typing import List, Any

import database
import agent
import config
import spaces

database.init_db()

@spaces.GPU(duration=5)
def _dummy_gpu_warmup():
    return True

def handle_chat_submit(user_message: str, history: List[Any], api_key: str, provider: str, model: str):
    """Sohbet girdisini işler ve Gradio 5/6 'messages' formatında yanıt ile logları günceller."""
    if history is None:
        history = []

    if not user_message.strip():
        return "", history, "", get_library_dataframe()

    chat_history_dicts = []
    for item in history:
        if isinstance(item, dict):
            role = str(item.get("role", "user"))
            raw_content = item.get("content", "")
            if isinstance(raw_content, list):
                text_parts = []
                for part in raw_content:
                    if isinstance(part, dict) and "text" in part:
                        text_parts.append(str(part["text"]))
                    elif hasattr(part, "text"):
                        text_parts.append(str(part.text))
                    else:
                        text_parts.append(str(part))
                content_str = "\n".join(text_parts)
            else:
                content_str = str(raw_content)

            if role in ["user", "assistant"] and content_str.strip():
                chat_history_dicts.append({"role": role, "content": content_str})

        elif isinstance(item, (list, tuple)) and len(item) == 2:
            u_msg, b_msg = item
            if u_msg:
                chat_history_dicts.append({"role": "user", "content": str(u_msg)})
            if b_msg:
                chat_history_dicts.append({"role": "assistant", "content": str(b_msg)})

    response_text, logs = agent.process_user_query(
        user_message=user_message,
        chat_history=chat_history_dicts,
        api_key=api_key,
        provider=provider,
        model_name=model
    )

    updated_history = []
    for msg in chat_history_dicts:
        updated_history.append({"role": msg["role"], "content": str(msg["content"])})

    updated_history.append({"role": "user", "content": str(user_message)})
    updated_history.append({"role": "assistant", "content": str(response_text or "")})

    logs_formatted = json.dumps(logs, indent=2, ensure_ascii=False)
    df_lib = get_library_dataframe()
    
    return "", updated_history, logs_formatted, df_lib

def get_library_dataframe(status_filter: str = "hepsi", query: str = ""):
    """SQLite veritabanındaki makaleleri Pandas DataFrame olarak döner."""
    papers = database.get_saved_papers(status_filter=status_filter, query=query)
    if not papers:
        return pd.DataFrame(columns=["ID", "Makale Kimliği", "Başlık", "Yazarlar", "Yıl", "Durum", "Notlar", "Etiketler", "Kaynak"])
    
    df = pd.DataFrame(papers)
    cols_map = {
        "id": "ID",
        "paper_id": "Makale Kimliği",
        "title": "Başlık",
        "authors": "Yazarlar",
        "published_year": "Yıl",
        "status": "Durum",
        "notes": "Notlar",
        "tags": "Etiketler",
        "source": "Kaynak",
        "url": "Bağlantı"
    }
    df = df.rename(columns=cols_map)
    existing_cols = [c for c in ["ID", "Makale Kimliği", "Başlık", "Yazarlar", "Yıl", "Durum", "Notlar", "Etiketler", "Kaynak", "Bağlantı"] if c in df.columns]
    return df[existing_cols]

def clear_execution_logs():
    agent.EXECUTION_LOGS.clear()
    return "[]"


custom_css = """
.container { max-width: 1200px; margin: 0 auto; }
.header-box { text-align: center; padding: 20px; background: linear-gradient(135deg, #1e293b, #0f172a); border-radius: 12px; margin-bottom: 20px; color: white; }
.header-box h1 { font-size: 2.2rem; font-weight: 700; margin-bottom: 8px; color: #38bdf8; }
.header-box p { font-size: 1.05rem; opacity: 0.9; }
.log-box textarea { font-family: 'Courier New', Courier, monospace; font-size: 0.85rem; background-color: #0d1117; color: #7ee787; }
"""

with gr.Blocks(title="Tool-Calling Akademik Araştırma Asistanı") as demo:
    
    with gr.Column(elem_classes="container"):
        
        gr.HTML("""
        <div class="header-box">
            <h1>🔬 Tool-Calling Akademik Araştırma Asistanı</h1>
            <p>ArXiv & Semantic Scholar API Entegrasyonlu | SQLite Veritabanı | Bulut LLM Destekli</p>
        </div>
        """)

        with gr.Tabs() as tabs:
            
            with gr.TabItem("💬 Akademik Asistan", id=0):
                with gr.Row():
                    with gr.Column(scale=3):
                        chatbot = gr.Chatbot(height=480)
                        
                        with gr.Row():
                            msg_input = gr.Textbox(
                                placeholder="Örn: 'Quantum machine learning alanındaki makaleleri ara' veya 'Kütüphanemdeki makaleleri göster'...",
                                show_label=False,
                                scale=8
                            )
                            send_btn = gr.Button("Gönder 🚀", variant="primary", scale=2)
                            clear_btn = gr.Button("Temizle 🗑️", scale=1)

                        gr.Markdown("### 💡 Örnek Hızlı Sorular")
                        with gr.Row():
                            ex1 = gr.Button("🔍 'LLM Tool Calling' makalelerini ara")
                            ex2 = gr.Button("📚 Kayıtlı kütüphanemi getir")
                            ex3 = gr.Button("💾 Örnek makaleyi kütüphaneme ekle")
                            ex4 = gr.Button("📝 Makale okuma durumunu 'completed' yap")

                    with gr.Column(scale=2):
                        gr.Markdown("### ⚡ Anlık Tool-Call Tetiklenme Özeti")
                        quick_log_view = gr.Code(
                            label="Son Fonksiyon Çağrısı (Tool Call Output)",
                            language="json",
                            value="[]",
                            lines=18
                        )

            with gr.TabItem("📊 Tool-Call Canlı Loglar", id=1):
                gr.Markdown("""
                ### 🛠️ Arka Plan Fonksiyon Çağrı (Tool-Call) Logları
                Bu panel, dil modelinin kullanıcı isteği doğrultusunda **hangi fonksiyonları çağırdığını**, 
                gönderilen **parametreleri** ve dış API/SQLite veritabanından dönen **gerçek JSON çıktılarını** anlık gösterir.
                *(Ödev teslimindeki ekran görüntüsü gereksinimi için burayı kullanabilirsiniz).*
                """)
                
                full_log_view = gr.Code(
                    label="Tüm Fonksiyon Çağrı Geçmişi (Full JSON Trace Log)",
                    language="json",
                    value="[]",
                    lines=20
                )
                clear_log_btn = gr.Button("Logları Temizle", variant="secondary")

            with gr.TabItem("📚 Kişisel Kütüphanem (SQLite DB)", id=2):
                gr.Markdown("### 🗄️ SQLite Veritabanı Canlı Makale Tablosu (`academic_library.db`)")
                
                with gr.Row():
                    status_filter_ui = gr.Dropdown(
                        choices=["hepsi", "unread", "reading", "completed"],
                        value="hepsi",
                        label="Durum Filtresi"
                    )
                    search_query_ui = gr.Textbox(placeholder="Tablo içinde ara...", label="Arama")
                    refresh_db_btn = gr.Button("🔄 Tabloyu Yenile", variant="secondary")

                library_table = gr.Dataframe(
                    value=get_library_dataframe(),
                    interactive=False,
                    wrap=True
                )

            with gr.TabItem("⚙️ Model & Cloud API Ayarları", id=3):
                gr.Markdown("""
                ### ☁️ Bulut LLM ve API Yapılandırması
                Yerel bilgisayarınıza **hiçbir ağırlık veya model dosyası indirmenize gerek yoktur**. 
                Ücretsiz Groq, OpenRouter, OpenAI API anahtarınızı girebilir veya varsayılan akıllı yönlendiriciyi kullanabilirsiniz.
                """)
                
                with gr.Row():
                    provider_dropdown = gr.Dropdown(
                        choices=["Groq", "OpenRouter", "Ollama (Remote/Local)", "OpenAI"],
                        value=config.DEFAULT_PROVIDER,
                        label="Model Sağlayıcı (Provider)"
                    )
                    model_input = gr.Textbox(
                        value=config.DEFAULT_MODEL,
                        label="Model Adı (Model Name)"
                    )
                    
                api_key_input = gr.Textbox(
                    type="password",
                    label="API Anahtarı (Groq / OpenRouter / OpenAI API Key)",
                    placeholder="gsk_... veya sk-or-v1-..."
                )
                
                gr.Markdown("💡 **İpucu:** Groq API anahtarı tamamen ücretsizdir ve çok hızlı Tool-Calling desteği sunar (groq.com adresinden 1 dakikada alınabilir). API Key girilmediğinde sistem otomatik akıllı Tool-Call yönlendiricisini çalıştırır.")

    msg_input.submit(
        handle_chat_submit,
        inputs=[msg_input, chatbot, api_key_input, provider_dropdown, model_input],
        outputs=[msg_input, chatbot, quick_log_view, library_table]
    ).then(
        lambda logs: logs, inputs=[quick_log_view], outputs=[full_log_view]
    )

    send_btn.click(
        handle_chat_submit,
        inputs=[msg_input, chatbot, api_key_input, provider_dropdown, model_input],
        outputs=[msg_input, chatbot, quick_log_view, library_table]
    ).then(
        lambda logs: logs, inputs=[quick_log_view], outputs=[full_log_view]
    )

    clear_btn.click(lambda: ([], "[]"), None, [chatbot, quick_log_view])
    clear_log_btn.click(clear_execution_logs, None, [full_log_view])
    refresh_db_btn.click(get_library_dataframe, inputs=[status_filter_ui, search_query_ui], outputs=[library_table])
    status_filter_ui.change(get_library_dataframe, inputs=[status_filter_ui, search_query_ui], outputs=[library_table])
    search_query_ui.change(get_library_dataframe, inputs=[status_filter_ui, search_query_ui], outputs=[library_table])

    ex1.click(lambda: "LLM Tool Calling alanındaki makaleleri ara", None, msg_input)
    ex2.click(lambda: "Kütüphanemdeki kayıtlı makaleleri listele", None, msg_input)
    ex3.click(lambda: "Arama sonucunda bulunan makaleyi kütüphaneme kaydet", None, msg_input)
    ex4.click(lambda: "Kütüphanemdeki makalenin durumunu 'completed' olarak güncelle", None, msg_input)

if __name__ == "__main__":
    demo.launch(
        server_name="0.0.0.0",
        server_port=7860,
        share=False,
        css=custom_css,
        theme=gr.themes.Soft(primary_hue="indigo", secondary_hue="cyan")
    )