import logging
from typing import List, Dict
from search.retriever import SearchRetriever
from .llm_factory import LLMFactory

logger = logging.getLogger("RAGEngine")

class RAGEngine:
    def __init__(self):
        self.retriever = SearchRetriever()
        self.llm = LLMFactory.get_provider()
        logger.info(f"RAG Engine đã sẵn sàng với LLM Provider: {type(self.llm).__name__}")

    def chat(self, user_query: str, history: List[Dict[str, str]] = None) -> Dict:
        """
        Quy trình RAG hoàn chỉnh: Search -> Augment -> Generate
        """
        # 1. RETRIEVAL: Tìm kiếm ngữ cảnh liên quan
        relevant_chunks = self.retriever.retrieve(user_query, top_k=5)
        
        if not relevant_chunks:
            context_text = "Không tìm thấy thông tin liên quan trong cơ sở dữ liệu nội bộ."
        else:
            # Gộp text từ các chunks lại thành 1 khối context
            context_text = "\n---\n".join([
                f"[Nguồn: {c.file_name}, Trang: {c.page_from}]\nNội dung: {c.text}" 
                for c in relevant_chunks
            ])

        # 2. GENERATION: Gửi sang LLM để trả lời
        logger.info("Đang yêu cầu LLM tổng hợp câu trả lời...")
        answer = self.llm.generate_response(
            prompt=user_query,
            context=context_text,
            history=history
        )

        # 3. Trả về kết quả kèm theo nguồn trích dẫn (Citations)
        return {
            "answer": answer,
            "context_used": context_text,
            "sources": [
                {
                    "file_name": c.file_name,
                    "page": c.page_from,
                    "url": c.source_url
                } for c in relevant_chunks
            ]
        }