import asyncio
from src.ApiKeys.openai_apikey import OpenAICredencial
from src.ApiKeys.openai_apikey_mmr import OpenAICredencialRepo
from src.ConexionSql.Postgres_conexion import PostgresConexion
from entrypoint.init_db import db_credencial
from src.ConexionApis.OpenAi_conexion import OpenAICliente
from src.Llms.Modelos.Openai_model import ModeloOpenAI
from src.Llms.Agente import AgenteAI
from src.Llms.Memory.postgres_MemoryConv import MemoryConvPostgres
from fastmcp.client.transports import StreamableHttpTransport
from fastmcp.client import Client
from src.Llms.MCPs.McpClient import MCPClient  # ya tienes esta clase
from src.Llms.MCPs.McpClient_Registry import ClientRegistry  # o ajusta según tu estructura
from src.Credenciales.ollama_credencial import OllamaCredencial
from src.ConexionApis.Ollama_cliente import OllamaCliente
from src.Llms.Modelos.Ollama_model import ModeloOllama

import asyncio


async def main():

    # # Usar Credencial openai

    # conexion_admin = PostgresConexion(db_credencial)
    # repo = OpenAICredencialRepo(conexion_admin)
    # credencial_openai = repo.get_by_id("OPAK20250513-61b29978b7604031014")
    # if credencial_openai is None:
    #     raise ValueError("No se encontró la credencial OpenAI con el ID proporcionado.")
    # cliente = OpenAICliente(credencial_openai)


    # Usar Credencial ollama
    credencial_ollama = OllamaCredencial(titulo="Ollama")

    cliente = OllamaCliente(credencial_ollama)

    modelo = ModeloOllama(
        cliente=cliente,
        model="llama3.1:8b")
    


    # # crea el modelo (openai)

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

    # Le otorga memoria 

    memoria = MemoryConvPostgres(
        credencial=db_credencial,
        nombre_tabla="memoria_conversacion_pruebas",
        k=10
    )


    # Cargamos las herramientas

    herramientas = MCPClient.from_http(
        name="tools",
        url="http://127.0.0.1:4300/tools/"
    )

    math = MCPClient.from_http(
        name="math",
        url="http://127.0.0.1:4200/math/"
    )

    # Las añadimos al registro de herramientas

    registry = ClientRegistry()


    registry.add("tools", herramientas)
    registry.add("math", math)



    # --- INICIALIZACIÓN DEL AGENTE ---
    agente2 = AgenteAI(
        modelo=modelo,
        nombre="Asistente Inteligente",
        descripcion="",
        system_prompt="",
        # system_prompt = """
        #     Eres un asistente general. No tienes acceso a herramientas externas ni herramientas MCP. No debes mencionar herramientas MCP, servidores ni bloques de código.
        #     Responde de forma clara y amigable a cualquier pregunta general del usuario.
        #     """.strip(),
        rol="asistente",
        objetivos=[
            # "Resolver tareas del usuario",
            # "Usar herramientas MCP si es útil",
            # "Responder de forma clara y útil"
        ],

        max_iterations=0,
        # memoria=memoria,
        
        mcp=registry  # ← ✅ Integración del cliente MCP
    )


    # --- FUNCIÓN DE EJECUCIÓN ---
    async def probar_interaccion_stream():
        print("🧠 Agente iniciado. Escribe 'salir' para terminar.\n")

        while True:
            prompt = input("\n📝 Escribe tu pregunta: ")
            if prompt.strip().lower() in ("salir", "exit", "quit"):
                print("\n👋 Hasta pronto.")
                break

            print("\n💬 Respuesta en streaming:\n")
            respuesta_gen = await agente2.interactuar_en_bucle(
                prompt=prompt,
                stream=True
            )

            async for token in respuesta_gen:
                print(token, end="", flush=True)


    await probar_interaccion_stream()




# Ejecutar
if __name__ == "__main__":
    asyncio.run(main())