# my_memory_logic.py

import os

# Import the PipelineRunnable from pipeline.py
from pipeline import pipeline_runnable

from langchain_core.chat_history import BaseChatMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

###############################################################################
# 1) In-memory store: session_id -> ChatMessageHistory
###############################################################################
store = {}  # e.g. { "abc123": ChatMessageHistory() }

def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

###############################################################################
# 2) RunnableWithMessageHistory referencing pipeline_runnable
###############################################################################
conversational_rag_chain = RunnableWithMessageHistory(
    pipeline_runnable,   # The Runnable from pipeline.py
    get_session_history,
    input_messages_key="input",
    history_messages_key="chat_history",
    output_messages_key="answer"
)

###############################################################################
# 3) Convenience function to run a query with session-based memory
###############################################################################
def run_with_session_memory(user_query: str, session_id: str) -> str:
    """
    Calls our `conversational_rag_chain` with session_id,
    returns the final 'answer' from pipeline_runnable.
    """
    response = conversational_rag_chain.invoke(
        {"input": user_query},
        config={
            "configurable": {
                "session_id": session_id
            }
        }
    )
    return response["answer"]