import streamlit as st
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.ingestion import IngestionPipeline
import chromadb
from llama_index.vector_stores.chroma import ChromaVectorStore
from llama_index.llms.ollama import Ollama


# Ustawienia strony
st.title("Aplikacja z LlamaIndex")

# Załaduj dokumenty
documents = SimpleDirectoryReader('./data/').load_data()
db = chromadb.PersistentClient(path="./data")
chroma_collection = db.get_or_create_collection("zalacznik_nr12")
vector_store = ChromaVectorStore(chroma_collection=chroma_collection)


# Utwórz pipeline do przetwarzania dokumentów
pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(),
        embed_model,
    ],
    vector_store=vector_store
)

# Utwórz indeks
index = VectorStoreIndex.from_vector_store(vector_store, embed_model=embed_model)

# Utwórz silnik zapytań
llm = Ollama(model="qwen2:7b")
query_engine = index.as_query_engine(
    llm=llm,
    response_mode='compact')

# Store LLM generated responses
if "messages" not in st.session_state.keys():
    st.session_state.messages = [{"role": "assistant", "content": "Zadaj mi pytanie..."}]

# Display chat messages
for message in st.session_state.messages:
    with st.chat_message(message["role"]):
        st.write(message["content"])

# User-provided prompt
if input := st.chat_input():
    st.session_state.messages.append({"role": "user", "content": input})
    with st.chat_message("user"):
        st.write(input)

# Generate a new response if last message is not from assistant
if st.session_state.messages[-1]["role"] != "assistant":
    with st.chat_message("assistant"):
        with st.spinner("Czekaj, odpowiedź jest generowana.."):
            response = query_engine.query(input)

            # Zbuduj treść wiadomości z odpowiedzią i score
            content = str(response.response)  # Upewnij się, że response jest stringiem
            if hasattr(response, 'source_nodes') and response.source_nodes:  # Sprawdź, czy source_nodes istnieje
                # Dodaj score pierwszego węzła (jeśli istnieje)
                content += f"\nScore: {response.source_nodes[0].score:.4f}"  # Dodaj score

            st.write(content)  # Wyświetl całą treść w Streamlit

    message = {"role": "assistant", "content": content}  # Zapisz całą treść w wiadomości
    st.session_state.messages.append(message)