# modules/chatbot/chat_process.py
import os
import anthropic
import logging
from typing import Dict, Generator

logger = logging.getLogger(__name__)

####################################################
class ChatProcessor:
    def __init__(self):
        """Inicializa el procesador de chat con la API de Claude"""
        api_key = os.environ.get("ANTHROPIC_API_KEY")
        if not api_key:
            raise ValueError("No se encontró la clave API de Anthropic. Asegúrate de configurarla en las variables de entorno.")
        self.client = anthropic.Anthropic(api_key=api_key)
        self.conversation_history = []
    
    def set_semantic_context(self, text, metrics, graph_data):
        """Configura el contexto semántico para conversaciones especializadas"""
        self.semantic_context = {
            'text_sample': text[:2000],
            'key_concepts': metrics.get('key_concepts', []),
            'concept_centrality': metrics.get('concept_centrality', {}),
            'graph_description': "Available" if graph_data else "Not available"
        }

    def process_chat_input(self, message: str, lang_code: str) -> Generator[str, None, None]:
        """Procesa el mensaje con contexto semántico si está disponible"""
        try:
            # Preparar mensaje con contexto si existe
            if self.semantic_context:
                system_prompt = f"""
                Eres un asistente especializado en análisis semántico. El usuario ha analizado un texto con los siguientes resultados:
                - Conceptos clave: {', '.join([c[0] for c in self.semantic_context['key_concepts'][:5]])}...
                - Centralidad: {len(self.semantic_context['concept_centrality'])} conceptos medidos
                - Grafo conceptual: {self.semantic_context['graph_description']}
                
                Responde preguntas específicas sobre este análisis y ayuda a interpretar los resultados.
                """
            else:
                system_prompt = "Eres un asistente útil. Responde preguntas generales del usuario."
            
            # Agregar mensaje a la historia
            self.conversation_history.append({"role": "user", "content": message})
            
            # Generar respuesta usando la API de Claude
            response = self.client.messages.create(
                model="claude-3-5-sonnet-20241022",
                messages=self.conversation_history,
                max_tokens=8000,  # Añadimos este parámetro requerido
                temperature=0.7,
            )
            
            # Procesar la respuesta
            claude_response = response.content[0].text
            self.conversation_history.append({"role": "assistant", "content": claude_response})
            
            # Mantener un historial limitado
            if len(self.conversation_history) > 10:
                self.conversation_history = self.conversation_history[-10:]
                
            # Dividir la respuesta en palabras para streaming
            words = claude_response.split()
            for word in words:
                yield word + " "
                
        except Exception as e:
            logger.error(f"Error en process_chat_input: {str(e)}")
            yield f"Error: {str(e)}"

    def get_conversation_history(self) -> list:
        """Retorna el historial de la conversación"""
        return self.conversation_history

    def clear_history(self):
        """Limpia el historial de la conversación"""
        self.conversation_history = []