# from langchain_tools.lc_tools import LangChainTools
from langchain_community.llms import HuggingFaceEndpoint


# Instanciamos la clase LangChainTools que contiene herramientras LangChain
# langChainTools = LangChainTools()

# model_huggingface = "google/gemma-1.1-7b-it"  # Es buena y funciona en espanol
# model_huggingface = (
#    "google/gemma-1.1-2b-it"  # Es buena y funciona en espanol funciona rapido
# )
# model_huggingface = 'tiiuae/falcon-7b-instruct'
model_huggingface = "mistralai/Mistral-7B-Instruct-v0.2"
huggingfacehub_api_token = "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"

# model_huggingface = "mistralai/Mixtral-8x22B-Instruct-v0.1"  # Es buena y funciona en espanol funciona rapido

# Define the LLM
llm = HuggingFaceEndpoint(
    repo_id=model_huggingface,
    huggingfacehub_api_token=huggingfacehub_api_token,
    temperature=0.5,
    max_new_tokens=500,
)  # Cargamos el modelo LLM desde LangChainllm llm = langChainTools.load_llm_open_source()
# respuesta = llm.invoke("Cual es el sentido de la vida?")

# print(respuesta)

import streamlit as st
from chats.streamlit_tools import import_file  # ,clear_cache
from streamlit_extras.add_vertical_space import add_vertical_space
from langchain_tools.pdf_tools import PdfLangChain
from langchain_tools.lc_tools import LangChainTools
from chats.chat_tools import MessageManager


pdf_name = "1.TC_Malamud, Se está muriendo la democracia.pdf"
pdfLangChain = PdfLangChain(pdf_name)

# Cargamos el documento PDF
docs: list = pdfLangChain.load_pdf()

# Dividimos los documentos en partes mas pequenas
docs_split: list = pdfLangChain.split_docs(docs)

# Instanciamos la clase LangChainTools que contiene herramientras LangChain
langChainTools = LangChainTools()

# Cargamos el modelo de embeddings
# embedding_model = langChainTools.load_embedding_opnai()

# Cargamos el modelo de embeddings
embedding_model = langChainTools.load_embedding_hf()

# Creamos el vector store
docstorage = langChainTools.create_vector_strore(docs_split, pdf_name, embedding_model)

# Cargamos el modelo LLM desde LangChain
llm = langChainTools.load_llm_open_source()

# Creamos la cadena que integra Vectorstroe, el LLM para hacer consultas.Para este caso la cadena tene el parametro de memoria.
qa = langChainTools.define_retrieval_qa_memory(
    llm, docstorage, pdf_name, embedding_model
)
# qa.question_generator.prompt.template = "Dado el siguiente diálogo y una pregunta de seguimiento, reformula la pregunta de seguimiento para que sea una pregunta independiente, en su idioma original.\n\nHistorial del chat:\n{chat_history}\nPregunta de seguimiento: {question}\nPregunta independiente:"

print(qa)