# Методи для додавання до класу JiraAIAssistant
# Ці методи потрібно додати до існуючого файлу ai_assistant.py

def load_indices(self, indices_dir):
    """
    Завантаження індексів з директорії.
    
    Args:
        indices_dir (str): Шлях до директорії з індексами
        
    Returns:
        bool: True, якщо індекси успішно завантажено, False інакше
    """
    try:
        from llama_index.core import load_index_from_storage
        from llama_index.core.storage import StorageContext
        
        logger.info(f"Завантаження індексів з директорії: {indices_dir}")
        
        # Перевірка наявності директорії
        if not os.path.exists(indices_dir):
            logger.error(f"Директорія індексів не існує: {indices_dir}")
            return False
        
        # Перевірка наявності необхідних файлів
        required_files = ["docstore.json"]
        for file in required_files:
            if not os.path.exists(os.path.join(indices_dir, file)):
                logger.error(f"Відсутній необхідний файл: {file}")
                return False
        
        # Завантажуємо контекст зберігання
        storage_context = StorageContext.from_defaults(persist_dir=indices_dir)
        
        # Завантажуємо індекс
        self.index = load_index_from_storage(storage_context)
        
        # Отримуємо docstore з контексту зберігання
        self.docstore = storage_context.docstore
        
        # Отримуємо доступ до документів
        node_dict = self.docstore.docs
        self.nodes = list(node_dict.values())
        
        # Створюємо BM25 retriever
        self.retriever_bm25 = BM25Retriever.from_defaults(
            docstore=self.docstore, 
            similarity_top_k=self.similarity_top_k
        )
        
        # Створюємо векторний retriever
        self.retriever_vector = self.index.as_retriever(
            similarity_top_k=self.similarity_top_k
        )
        
        # Створюємо гібридний retriever
        self.retriever_fusion = QueryFusionRetriever(
            [
                self.retriever_bm25,  # Пошук на основі BM25 (ключові слова)
                self.retriever_vector,  # Векторний пошук (семантичний)
            ],
            mode="reciprocal_rerank",  # Режим переранжування результатів
            similarity_top_k=self.similarity_top_k,
            num_queries=1,  # Використовуємо тільки оригінальний запит
            use_async=True,  # Асинхронне виконання для швидкості
        )
        
        # Створюємо query engine на основі гібридного ретривера
        self.query_engine = RetrieverQueryEngine(self.retriever_fusion)
        
        # Відновлюємо jira_documents з вузлів
        try:
            self.jira_documents = []
            for node in self.nodes:
                # Створюємо документ з текстом та метаданими вузла
                doc = Document(
                    text=node.text,
                    metadata=node.metadata
                )
                self.jira_documents.append(doc)
            
            logger.info(f"Відновлено {len(self.jira_documents)} документів")
        except Exception as e:
            logger.warning(f"Не вдалося відновити jira_documents: {e}")
        
        logger.info(f"Успішно завантажено індекси з {indices_dir}")
        return True
        
    except Exception as e:
        logger.error(f"Помилка при завантаженні індексів: {e}")
        return False

def save_indices(self, indices_dir):
    """
    Збереження індексів у директорію.
    
    Args:
        indices_dir (str): Шлях до директорії для збереження індексів
        
    Returns:
        bool: True, якщо індекси успішно збережено, False інакше
    """
    try:
        logger.info(f"Збереження індексів у директорію: {indices_dir}")
        
        # Перевірка наявності директорії
        if not os.path.exists(indices_dir):
            os.makedirs(indices_dir)
        
        # Перевірка наявності індексу
        if not hasattr(self, 'index') or self.index is None:
            logger.error("Відсутній індекс для збереження")
            return False
        
        # Збереження індексу
        self.index.storage_context.persist(persist_dir=indices_dir)
        
        # Збереження додаткових метаданих
        try:
            metadata = {
                "created_at": datetime.now().isoformat(),
                "documents_count": len(self.jira_documents) if hasattr(self, 'jira_documents') else 0,
                "nodes_count": len(self.nodes) if hasattr(self, 'nodes') else 0,
                "embedding_model": str(self.embed_model) if hasattr(self, 'embed_model') else "unknown"
            }
            
            with open(os.path.join(indices_dir, "metadata.json"), "w", encoding="utf-8") as f:
                json.dump(metadata, f, ensure_ascii=False, indent=2)
        except Exception as meta_err:
            logger.warning(f"Помилка при збереженні метаданих: {meta_err}")
        
        logger.info(f"Індекси успішно збережено у {indices_dir}")
        return True
        
    except Exception as e:
        logger.error(f"Помилка при збереженні індексів: {e}")
        return False