# src/services/agent_service.py

from domains.ApiKeys.openai_apikey_mmr import OpenAICredencialRepo
from domains.ConexionSql.Postgres_conexion import PostgresConexion
from domains.ConexionApis.OpenAi_conexion import OpenAICliente
from domains.Llms.Modelos.Openai_model import ModeloOpenAI
from domains.Llms.Agente import AgenteAI
from domains.Llms.Memory.postgres_MemoryConv import MemoryConvPostgres
from domains.Llms.MCPs.McpClient import MCPClient
from domains.Llms.MCPs.McpClient_Registry import ClientRegistry
from entrypoint.init_db import db_credencial

from domains.Logger.logger_db import LoggerDB, logger
LoggerDB(db_credencial, "logger_llm", created_by="sistema")

from typing import AsyncGenerator

# 🔧 Inicialización única del agente
def construir_agente_llm() -> AgenteAI:
    logger.info("[INICIO] Inicializando agente LLM...")

    conexion = PostgresConexion(db_credencial)

    # Paso 1: Obtener credencial
    repo = OpenAICredencialRepo(conexion)
    credencial = repo.get_by_id("OPAK20250513-61b29978b7604031014")
    if not credencial:
        raise ValueError("No se encontró la credencial OpenAI")

    logger.debug(f"[OK] Credencial OpenAI cargada: {credencial.titulo}")

    # Paso 2: Crear cliente
    cliente = OpenAICliente(credencial)

    # Paso 3: Instanciar modelo
    modelo = ModeloOpenAI(
        cliente=cliente,
        model="gpt-4o",
        temperature=1
    )

    # Paso 4: Memoria en PostgreSQL
    memoria = MemoryConvPostgres(
        credencial=db_credencial,
        nombre_tabla="memoria_conversacion_pruebas",
        k=10
    )

    # Paso 5: Herramientas MCP (ej. archivos)
    archivos = MCPClient.from_http(
        name="files",
        url="http://127.0.0.1:4201/fs"
    )
    registry = ClientRegistry()
    registry.add("files", archivos)

    # Paso 6: Agente
    agente = AgenteAI(
        modelo=modelo,
        nombre="Asistente Inteligente",
        descripcion="",
        system_prompt="",
        rol="asistente",
        objetivos=[],
        max_iterations=0,
        memoria=memoria,
        mcp=registry
    )

    logger.success("[OK] Agente LLM listo.")
    return agente

# ⚡ Función simple
async def responder(prompt: str, agente: AgenteAI) -> str:
    logger.info(f"[Petición] Prompt recibido: {prompt[:50]}...")
    respuesta = await agente.interactuar_en_bucle(prompt=prompt, stream=False)
    logger.debug(f"[Respuesta] {respuesta[:100]}...")
    return respuesta

# 🔁 Función en streaming
async def responder_stream(prompt: str, agente: AgenteAI) -> AsyncGenerator[str, None]:
    logger.info(f"[Streaming] Prompt recibido: {prompt[:50]}...")
    async for token in agente.interactuar_en_bucle(prompt=prompt, stream=True):
        yield token