import gradio as gr
from huggingface_hub import InferenceClient
import requests

# Configura tu cliente de modelo de Hugging Face
client = InferenceClient("HuggingFaceH4/zephyr-7b-beta")

# Tu clave de API de Google Custom Search
GOOGLE_API_KEY = "AIzaSyDI48Q_Ez8-KXQ6Dfe_r7JyOkk-dloER0I"
# Tu ID de motor de búsqueda
SEARCH_ENGINE_ID = "030a88810b398467c"

def web_search(query):
    # Realiza la búsqueda en Google
    url = f"https://www.googleapis.com/customsearch/v1?q={query}&key={GOOGLE_API_KEY}&cx={SEARCH_ENGINE_ID}"
    
    try:
        response = requests.get(url)
        response.raise_for_status()  # Lanza un error si la respuesta no es exitosa
        results = response.json()

        if "items" in results:
            # Devuelve un resumen de los primeros resultados
            search_results = []
            for item in results["items"]:
                title = item.get("title", "No title")
                link = item.get("link", "")
                snippet = item.get("snippet", "")
                search_results.append(f"{title}: {snippet} ({link})")
            return "\n".join(search_results)  # Devuelve los resultados como texto
        else:
            return "No se encontraron resultados relevantes."
    
    except requests.exceptions.RequestException as e:
        # Maneja errores de la API, como problemas de conexión
        return f"Error al realizar la búsqueda: {e}"

# Define la función del chatbot con navegación web
def respond(message, history, system_message, max_tokens, temperature, top_p):
    # Prepara el contexto de la conversación para el modelo
    messages = [{"role": "system", "content": system_message}]
    for val in history:
        if val[0]:
            messages.append({"role": "user", "content": val[0]})
        if val[1]:
            messages.append({"role": "assistant", "content": val[1]})

    # Realiza la búsqueda en la web
    search_summary = web_search(message)
    
    # Incluye los resultados de la búsqueda en el contexto para el modelo
    messages.append({"role": "system", "content": f"Search results:\n{search_summary}"})
    
    # Genera la respuesta del modelo
    response = client.text_completion(
        prompt=message, max_tokens=max_tokens, temperature=temperature, top_p=top_p
    )

    return response

# Interfaz de Gradio
with gr.Blocks() as demo:
    chatbot = gr.Chatbot()
    msg = gr.Textbox()
    clear = gr.Button("Clear")

    def chat_interface(user_message, history=[]):
        output = respond(
            user_message, history, "You are a helpful assistant.", 200, 0.7, 0.9
        )
        history.append((user_message, output))
        return history, chatbot.update(history)

    msg.submit(chat_interface, inputs=[msg, chatbot], outputs=[chatbot, chatbot])
    clear.click(lambda: [], None, chatbot)

demo.launch()