import os
import json
from huggingface_hub import InferenceClient
from usuarios import obtener_usuario_actual, obtener_datos_usuario

MODEL_ID = "Qwen/Qwen2.5-7B-Instruct"
MEMORIA_EMOCIONAL_FILE = "memoria_emocional.json"

client = InferenceClient(
    provider="auto",
    token=os.getenv("HF_TOKEN"),
)


def cargar_json(path, default):
    if os.path.exists(path):
        try:
            with open(path, "r", encoding="utf-8") as f:
                return json.load(f)
        except json.JSONDecodeError:
            return default
    return default


def obtener_perfil():
    usuario = obtener_usuario_actual()
    datos = obtener_datos_usuario(usuario) if usuario else None
    perfil = datos.get("perfil", {}) if datos else {}

    return {
        "nombre": perfil.get("nombre", usuario or "Usuario"),
        "edad": perfil.get("edad", ""),
        "peso": perfil.get("peso", ""),
        "altura": perfil.get("altura", ""),
        "genero": perfil.get("genero", ""),
        "actividad": perfil.get("actividad", ""),
        "meta": perfil.get("meta", ""),
        "condicion": perfil.get("condicion", ""),
        "alergias": perfil.get("alergias", ""),
    }


def obtener_contexto_emocional(nombre):
    memoria = cargar_json(MEMORIA_EMOCIONAL_FILE, {})
    bloque = memoria.get(nombre, {})
    alertas = bloque.get("alertas_nutricion", [])
    if alertas:
        return alertas[-1]
    return None


def resumir_historial(historial, limite=6):
    if not historial:
        return "Sin historial reciente."
    partes = []
    for item in historial[-limite:]:
        if isinstance(item, dict):
            rol = item.get("role", "")
            content = item.get("content", "")
            if rol and content:
                partes.append(f"{rol}: {content}")
    return "\n".join(partes) if partes else "Sin historial reciente."


def construir_system_prompt(perfil, alerta_emocional):
    extra_emocional = ""
    if alerta_emocional and alerta_emocional.get("tipo") == "ansiedad_comida":
        extra_emocional = (
            "El usuario puede estar pasando por hambre emocional. "
            "Si habla de antojos, snacks o ganas de comer sin hambre, "
            "responde con empatía y sugiere pausar, hidratarse y elegir una opción ligera sin juzgar.\n"
        )

    return f"""
Eres Nuti, una asistente de nutrición muy inteligente, natural y útil.
Hablas en español claro, cercano y nada robótico.
Tu trabajo:
- Si el usuario solo saluda o quiere conversación casual, síguele el rollo con naturalidad.
- Si pregunta sobre nutrición, responde como experta pero fácil de entender.
- Usa el perfil del usuario para personalizar.
- No inventes diagnósticos médicos.
- No respondas con listas rígidas a menos que ayuden.
- No uses frases genéricas tipo "sé fuerte" o "todo estará bien" si no vienen al caso.
- Responde breve a media longitud, útil y humana.
Perfil del usuario:
- Nombre: {perfil['nombre']}
- Edad: {perfil['edad']}
- Peso: {perfil['peso']}
- Altura: {perfil['altura']}
- Género: {perfil['genero']}
- Actividad: {perfil['actividad']}
- Meta: {perfil['meta']}
- Condición: {perfil['condicion']}
- Alergias: {perfil['alergias']}
{extra_emocional}
Si el mensaje es ambiguo, primero aclara o responde de forma conversacional.
""".strip()


def buscar_respuesta(mensaje, historial):
    perfil = obtener_perfil()
    nombre = str(perfil.get("nombre") or "Usuario").strip() or "Usuario"
    alerta_emocional = obtener_contexto_emocional(nombre)

    hf_token = os.getenv("HF_TOKEN")
    if not hf_token:
        return "No encuentro el HF_TOKEN en los Secrets del Space."

    system_prompt = construir_system_prompt(perfil, alerta_emocional)
    historial_texto = resumir_historial(historial)

    user_prompt = f"""
Historial reciente:
{historial_texto}
Mensaje actual del usuario:
{mensaje}
Responde directamente al usuario.
""".strip()

    try:
        completion = client.chat.completions.create(
            model=MODEL_ID,
            messages=[
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": user_prompt},
            ],
            temperature=0.8,
            max_tokens=220,
        )
        respuesta = completion.choices[0].message.content.strip()
        return respuesta if respuesta else "No pude generar respuesta ahorita."
    except Exception as e:
        return f"Error al consultar el modelo: {str(e)}"