import streamlit as st
import time
import numpy as np
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import TogetherEmbeddings
from langchain.chat_models import ChatOpenAI
from sklearn.metrics.pairwise import cosine_similarity

# ------------------ بارگذاری چانک‌ها و امبدینگ‌ها ------------------

@st.cache_resource
def load_chunks_and_embeddings():
    with st.spinner('📄 در حال پردازش PDF و ساخت امبدینگ‌ها...'):
        loader = PyPDFLoader('test1.pdf')
        pages = loader.load()

        splitter = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=0)
        chunks = splitter.split_documents(pages)

        embeddings_model = TogetherEmbeddings(
            api_key="0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979"
        )

        chunk_texts = [chunk.page_content for chunk in chunks]
        chunk_embeddings = embeddings_model.embed_documents(chunk_texts)

        st.success(f"✅ تعداد {len(chunk_texts)} چانک ساخته شد.")
        return chunk_texts, chunk_embeddings, embeddings_model

chunk_texts, chunk_embeddings, embeddings_model = load_chunks_and_embeddings()

# ------------------ ساخت مدل LLM ------------------

llm = ChatOpenAI(
    base_url="https://api.together.xyz/v1",
    api_key='0291f33aee03412a47fa5d8e562e515182dcc5d9aac5a7fb5eefdd1759005979',
    model="meta-llama/Llama-3.3-70B-Instruct-Turbo-Free"
)

# ------------------ تابع پاسخ به سوال از طریق نزدیک‌ترین چانک ------------------

def answer_from_pdf(question):
    # ۱- امبد سوال
    question_embedding = embeddings_model.embed_query(question)

    # ۲- شباهت پیدا کن
    similarities = cosine_similarity(
        [question_embedding],
        chunk_embeddings
    )

    # ۳- نزدیک‌ترین چانک
    best_idx = np.argmax(similarities)
    best_chunk = chunk_texts[best_idx]

    # ۴- ساخت پرامپت
    prompt = f"""بر اساس متن زیر فقط به زبان فارسی پاسخ بده:

    متن:
    {best_chunk}

    سوال:
    {question}

    پاسخ:"""

    response = llm.invoke(prompt)
    return response.content

# ------------------ Chat Streamlit UI ------------------

st.title('📚 چت با PDF')

if 'messages' not in st.session_state:
    st.session_state.messages = []

if 'pending_prompt' not in st.session_state:
    st.session_state.pending_prompt = None

# نمایش هیستوری چت
for msg in st.session_state.messages:
    with st.chat_message(msg['role']):
        st.markdown(f"🗨️ {msg['content']}", unsafe_allow_html=True)

# گرفتن سوال از کاربر
prompt = st.chat_input("سوال خود را وارد کنید...")

if prompt:
    st.session_state.messages.append({'role': 'user', 'content': prompt})
    st.session_state.pending_prompt = prompt
    st.rerun()

# وقتی سوال جدید داری
if st.session_state.pending_prompt:
    with st.chat_message('ai'):
        thinking = st.empty()
        thinking.markdown("🤖 در حال پردازش...")

        # پاسخ بر اساس نزدیک‌ترین چانک
        response = answer_from_pdf(st.session_state.pending_prompt)
        answer = response.strip()
        if not answer:
            answer = "متاسفم، اطلاعات دقیقی در این مورد ندارم."

        thinking.empty()
        full_response = ""
        placeholder = st.empty()

        # تدریجی نشون دادن پاسخ
        for word in answer.split():
            full_response += word + " "
            placeholder.markdown(full_response + "▌")
            time.sleep(0.03)

        placeholder.markdown(full_response)
        st.session_state.messages.append({'role': 'ai', 'content': full_response})
        st.session_state.pending_prompt = None