import google.generativeai as genai
import faiss
import numpy as np
import PyPDF2
from flask import Flask, render_template, request, jsonify
from embeddings import get_embedding, chunks

# 🔹 Configurar la API de Gemini (Google AI)
GEMINI_API_KEY = "AIzaSyD-dXDkZuxNNlDwHJgEQCWbXHyn3iTzcU8"
genai.configure(api_key=GEMINI_API_KEY)

# 🔹 Crear embeddings de los documentos PDF
document_embeddings = np.array([get_embedding(chunk) for chunk in chunks])

# 🔹 Crear índice FAISS
dimension = len(document_embeddings[0])
index = faiss.IndexFlatL2(dimension)
index.add(document_embeddings)

# 🔹 Iniciar la aplicación Flask
app = Flask(__name__)

# 🔹 Función para responder preguntas usando RAG
def answer_question(query):
    query_embedding = get_embedding(query).reshape(1, -1)
    _, indices = index.search(query_embedding, k=1)
    retrieved_docs = [chunks[i] for i in indices[0]]

    # Crear el prompt
    prompt = f"Usa solo la siguiente información para responder:\n{retrieved_docs}\n\nPregunta: {query}\nRespuesta:"
    
    try:
        model = genai.GenerativeModel("gemini-pro")
        response = model.generate_content(prompt, request_options={"timeout": 20})
        return response.text, prompt
    except Exception as e:  # El bloque except debe estar alineado con try
        return f"Error en la API de Gemini: {str(e)}", prompt


# 🔹 Ruta principal
@app.route("/", methods=["GET", "POST"])
def index():
    return render_template("index.html")

# 🔹 Ruta para procesar consultas
@app.route("/ask", methods=["POST"])
def ask():
    query = request.form.get("query")
    if not query:
        return jsonify({"response": "Por favor, ingrese una consulta.", "prompt": ""})
    
    response, prompt = answer_question(query)
    return jsonify({"response": response, "prompt": prompt})

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000, debug=True)