import gradio as gr
from langchain_openai import ChatOpenAI
from os import getenv
from dotenv import load_dotenv

load_dotenv()

def generate_response(apikey, model, complexity, tool, user_input):
    llm = ChatOpenAI(
  		openai_api_key=apikey,
  		openai_api_base=getenv("OPENROUTER_BASE_URL"),
  		model_name=model,
	)
    
    # Aquí se define el prompt que se le pasará al modelo
    if tool == "Magic ToDo":
        tool_prompt = """
			crear listas de tareas detalladas y estructuradas.

			OBJETIVO: Cuando el usuario te proporciona una tarea principal, tu trabajo es desglosarla en subtareas más pequeñas, manejables y específicas, organizadas jerárquicamente.

			INSTRUCCIONES DE FORMATO:
			- Devuelve siempre los resultados entre las etiquetas <todo> y </todo>
			- Cada tarea debe ser un objeto JSON con la siguiente estructura:
			{
				"id": número_entero,       // Identificador único para cada tarea
				"parent_id": número_entero, // ID de la tarea padre (0 para tareas principales)
				"text": "descripción"      // Descripción clara y accionable de la tarea
			}

			REGLAS IMPORTANTES:
			- La tarea principal siempre tendrá id=1 y parent_id=0
			- Las subtareas tendrán ids consecutivos (2, 3, 4...) y su parent_id será el id de su tarea padre
			- Cada tarea debe ser concreta, específica y accionable
			- Utiliza un lenguaje claro y directo en las descripciones
			- Incluye entre 5-15 subtareas en total, dependiendo de la complejidad

			EJEMPLO DE RESPUESTA:
			<todo>
			[
			{"id": 1, "parent_id": 0, "text": "Hacer la compra semanal"},
			{"id": 2, "parent_id": 1, "text": "Preparar lista de alimentos necesarios"},
			{"id": 3, "parent_id": 1, "text": "Revisar ofertas en supermercados"},
			{"id": 4, "parent_id": 1, "text": "Comprar productos frescos"},
			{"id": 5, "parent_id": 1, "text": "Comprar productos no perecederos"},
			{"id": 6, "parent_id": 1, "text": "Organizar alimentos en casa"}
			]
			</todo>
			"""

    else:
        tool_prompt = """
			ser un profesor experto en el tema que el usuario te proporcione.

			OBJETIVO PRINCIPAL:
			Proporcionar explicaciones claras, precisas y accesibles sobre conceptos académicos o técnicos, adaptando el nivel de complejidad según las necesidades del usuario.

			CARACTERÍSTICAS CLAVE DE TUS EXPLICACIONES:
			- Simplicidad: Convierte conceptos complejos en explicaciones fáciles de entender
			- Precisión: Mantén el rigor académico sin sacrificar la claridad
			- Profundidad adaptable: Ajusta el nivel de detalle según el contexto
			- Relevancia: Relaciona los conceptos con situaciones reales o conocimientos previos
			- Estructura lógica: Organiza la información con una progresión coherente

			METODOLOGÍA PEDAGÓGICA:
			- Comienza con definiciones claras de los conceptos fundamentales
			- Descompón ideas complejas en componentes más simples
			- Utiliza analogías relevantes para conectar con conocimientos familiares
			- Ilustra los conceptos con ejemplos concretos y significativos
			- Anticipa y aborda posibles puntos de confusión
			- Concluye con un resumen que refuerce los puntos clave

			FORMATO DE RESPUESTA:
			1. Proporciona tu explicación principal entre las etiquetas <answer> y </answer>
			2. Incluye al menos un ejemplo práctico o caso de estudio entre las etiquetas <example> y </example>
			3. Si es apropiado, puedes incluir diagramas o representaciones visuales descritas textualmente

			EJEMPLO DE ESTRUCTURA:
			<answer>
			Aquí va una explicación clara y estructurada del tema solicitado, comenzando con conceptos básicos y progresando hacia aspectos más complejos. La explicación debe ser accesible pero precisa, evitando jerga innecesaria o simplificaciones excesivas que comprometan la precisión.
			</answer>

			<example>
			Aquí va un ejemplo concreto, caso de estudio o ejercicio resuelto que ilustre la aplicación práctica del concepto explicado. El ejemplo debe ser relevante, detallado y diseñado para reforzar la comprensión.
			</example>
            
            SOLO RESPONDE CON LA ESTRUCTURA
			"""

    complexity_prompt = f"""
		IMPORTANTE, DEBES DE TENER EN CUENTA LA COMPLEJIDAD:
		La complejidad marca el nivel de detalle y sofisticación de la respuesta que se espera.
		En este caso, has seleccionado un nivel de complejidad de {complexity} sobre 5.
        cuanto mayor sea el nivel de complejidad, más detallada y sofisticada será la respuesta.
	"""
   # Por esto:
    final_prompt = f"""
		Eres un asistente experto en lo siguiente:
		{tool_prompt},
		{complexity_prompt}
		A continuación, este es el texto que el usuario te proporcionó:
		{user_input}
		"""
    
    
    messages = []
    user_message = {"role": "user", "content": final_prompt}
    messages.append(user_message)
    response = llm.invoke(messages).content
    print(response)
    return response

interface = gr.Interface(
    fn=generate_response,
    title="Simple tools",
    inputs=[
        gr.Textbox(lines=1, label="OpenRouter API Key", placeholder="Enter your API Key here...", info="Enter your API Key [Get your OpenRouter API Key here](https://openrouter.ai/)", type="password"),
        gr.Dropdown(
            ["google/gemma-3-27b-it:free", 
             "google/gemini-2.0-flash-001", 
             "anthropic/claude-3.5-sonnet",
             "anthropic/claude-3.7-sonnet", 
             "openai/gpt-4o-mini"],
            info="Choose the model you want to use",
			label="Model",
		),
        gr.Slider(1, 5, value=3, label="Level of llm complexity response", info="Choose level of complex", step=1),
        gr.Radio(["Magic ToDo", "Professor"], label="Tool" , info="Select the tool you want to use", value="Magic ToDo"),
        gr.Textbox(lines=5, label="Input", placeholder="Enter your text here...", info="Enter the text you want to process"),
    ],    
    outputs="text",
)

if __name__ == "__main__":
    interface.launch()