import os
import threading
from datetime import datetime
from modules.logger import log_event

# IMPORT DE NOTRE MOTEUR FAISS (Le nouveau cerveau)
from modules.vector_rag import rechercher_contexte_global, indexer_dossier_thematique

# Définition du chemin racine sécurisé sur ton RAID
RAG_BASE_DIR = "/DATA/AppData/MULTI-IA-AETHAS38/RAG"

# Les thématiques pour organiser l'apprentissage
THEMATIQUES_RAG = [
    "Minecraft_KubeJS",
    "Juridique_Loi_Francaise",
    "Serveur_Debian",
    "Bureautique_Excel",
    "Regles_Aethas38",
    "Education_Nationale",
    "Connaissances_Generales"
]

def initialiser_arborescence_rag():
    """Crée les dossiers RAG physiques sur le disque s'ils n'existent pas."""
    try:
        if not os.path.exists(RAG_BASE_DIR):
            os.makedirs(RAG_BASE_DIR)
            log_event("INFO", "RAG", "Création du dossier racine RAG.")
            
        for theme in THEMATIQUES_RAG:
            chemin_theme = os.path.join(RAG_BASE_DIR, theme)
            if not os.path.exists(chemin_theme):
                os.makedirs(chemin_theme)
                log_event("INFO", "RAG", f"Création du sous-dossier thématique : {theme}")
    except Exception as e:
        log_event("ERROR", "RAG", f"Erreur lors de l'initialisation de l'arborescence : {e}")

def rechercher_contexte_rag(prompt, categorie="general"):
    """
    Récupère le contenu des fichiers via la recherche sémantique FAISS + Ollama.
    (Remplace l'ancienne méthode d'extraction basique).
    """
    try:
        # On fouille dans toute la base de connaissances et on récupère les 3 meilleurs blocs
        contexte = rechercher_contexte_global(prompt, top_k=3)
        return contexte
    except Exception as e:
        log_event("ERROR", "RAG_MANAGER", f"Erreur lors de la recherche FAISS : {e}")
        return ""

def auto_apprendre_rag(prompt, reponse, thematique_simplifiee):
    """
    Sauvegarde systématiquement la réponse en Markdown, 
    puis déclenche l'indexation FAISS pour auto-incrémenter le RAG.
    """
    # Mapping élargi
    mapping = {
        "minecraft": "Minecraft_KubeJS",
        "droit": "Juridique_Loi_Francaise",
        "serveur": "Serveur_Debian",
        "excel": "Bureautique_Excel",
        "regles": "Regles_Aethas38",
        "education_nationale": "Education_Nationale"
    }
    
    theme_reel = mapping.get(thematique_simplifiee.lower(), "Connaissances_Generales")

    try:
        chemin_theme = os.path.join(RAG_BASE_DIR, theme_reel)
        os.makedirs(chemin_theme, exist_ok=True)
        
        # On raccourcit le prompt pour créer un nom de fichier propre
        sujet_court = "".join(c for c in prompt[:15] if c.isalnum() or c == " ").strip().replace(" ", "_")
        nom_fichier = f"rag_{sujet_court}_{datetime.now().strftime('%H%M%S')}.md"
        chemin_fichier = os.path.join(chemin_theme, nom_fichier)
        
        contenu = f"## Question utilisateur\n{prompt}\n\n## Réponse de l'IA (Contexte validé)\n{reponse}\n"
        
        # 1. Sauvegarde physique du fichier
        with open(chemin_fichier, 'w', encoding='utf-8') as f:
            f.write(contenu)
            
        log_event("INFO", "RAG_MANAGER", f"Connaissance sauvegardée dans {theme_reel} ({nom_fichier}).")
        
        # 2. AUTO-INCRÉMENTATION : Lancement de l'indexation FAISS
        # On utilise un Thread (processus en arrière-plan) pour que l'indexation via Ollama 
        # se fasse silencieusement sans bloquer l'interface web de l'utilisateur.
        tache_indexation = threading.Thread(target=indexer_dossier_thematique, args=(theme_reel,))
        tache_indexation.start()
        
        log_event("INFO", "RAG_MANAGER", f"Indexation vectorielle lancée en tâche de fond pour {theme_reel}.")
        
    except Exception as e:
        log_event("ERROR", "RAG_MANAGER", f"Erreur lors de l'auto-apprentissage : {e}")

# On s'assure que les dossiers existent dès l'import du module
initialiser_arborescence_rag()