import streamlit as st
from langchain_core.messages import AIMessage, HumanMessage
from langchain_community.chat_models import ChatOpenAI
from dotenv import load_dotenv
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from download_chart import construct_plot


load_dotenv()

def format_context(partie_prenante_grouped,marque):
    context = "la marque est " + marque + ".\n"
    context += f"Le nombre de parties prenantes est {len(partie_prenante_grouped)} et ils sont les suivantes:\n"
    for i,partie_prenante in enumerate(partie_prenante_grouped):
        context += f"{i}.{partie_prenante['name']} est une partie prenante de {marque} et a un pouvoir de {partie_prenante['y']}% et une influence de {partie_prenante['x']}%.\n"
    
    segmentation = '''
    Les parties prenantes sont segmentées en 4 catégories:
    - Rendre satisfait: le pouvoir est entre 50 et 100 et l'influence est entre 0 et 50
    - Gérer étroitement: le pouvoir est entre 50 et 100 et l'influence est entre 50 et 100
    - Suivre de près: le pouvoir est entre 0 et 50 et l'influence est entre 0 et 50
    - Tenir informé: le pouvoir est entre 0 et 50 et l'influence est entre 50 et 100

'''
    context += segmentation
    return context


def get_response(user_query, chat_history, context):

    template = """
    Fournir des réponses précises et contextuelles en agissant comme un expert en affaires, en utilisant le contexte des parties prenantes et leur pouvoir en pourcentage et leur influence en pourcentage pour expliquer les implications pour la marque. Le modèle doit connecter les informations du contexte et de l'historique de la conversation pour donner une réponse éclairée à la dernière question posée.

    Contexte: {context}

    Chat history: {chat_history}

    User question: {user_question}
    """

    prompt = ChatPromptTemplate.from_template(template)

    llm = ChatOpenAI(model="gpt-4o")
        
    chain = prompt | llm | StrOutputParser()
    
    return chain.stream({
        "context": context,
        "chat_history": chat_history,
        "user_question": user_query,
    })

def display_chart():
    if "pp_grouped" not in st.session_state or st.session_state['pp_grouped'] is None or len(st.session_state['pp_grouped']) == 0:
        st.warning("Aucune partie prenante n'a été définie")
        return None
    plot = construct_plot()
    st.plotly_chart(plot)


def display_chat():
    # app config
    st.title("Chatbot")

    # session state
    if "chat_history" not in st.session_state:
        st.session_state.chat_history = [
            AIMessage(content="Salut, voici votre cartographie des parties prenantes. Que puis-je faire pour vous?"),
        ]
    
    
 
    # conversation
    for message in st.session_state.chat_history:
        if isinstance(message, AIMessage):
            with st.chat_message("AI"):
                st.write(message.content)
                if "cartographie des parties prenantes" in message.content:
                    display_chart()
        elif isinstance(message, HumanMessage):
            with st.chat_message("Moi"):
                st.write(message.content)

    if "pp_grouped" not in st.session_state or st.session_state['pp_grouped'] is None or len(st.session_state['pp_grouped']) == 0:
        return None
    # user input
    user_query = st.chat_input("Par ici...")
    if user_query is not None and user_query != "":
        st.session_state.chat_history.append(HumanMessage(content=user_query))

        with st.chat_message("Moi"):
            st.markdown(user_query)

        with st.chat_message("AI"):

            response = st.write_stream(get_response(user_query, st.session_state.chat_history,format_context(st.session_state['pp_grouped'],st.session_state['Nom de la marque'])))
            if "cartographie des parties prenantes" in message.content:
                    display_chart()

        st.session_state.chat_history.append(AIMessage(content=response))