import os
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import InMemorySaver
from langchain_community.vectorstores import Clickhouse, ClickhouseSettings
from langchain_community.embeddings import DeepInfraEmbeddings
from redis import Redis
from redis.asyncio import Redis as AsyncRedis

SYSTEM_PROMPT = """
Ты — карьерный копилот для ИТ. Ты можешь отвечать на любые вопросы по тематике карьеры.
При необходимости тебе доступно резюме пользователя и база с вакансиями. Обращайся к ним только если это явно требуется.
Пиши кратко (до 5–6 строк, буллеты приветствуются).
Всегда проверяй факты: бери данные о вакансиях только из контекста.
В ответ всегда давай несколько источники: ссылка на публичный канал или сообщение в телеграмме.
Вакансии можно брать только из контекста. Не давай вакансию, если у тебя нет о ней информации в контексте.
Всегда указывай дату вакансии и ссылку на нее.
Если данных недостаточно: честно скажи «не хватает надёжных источников», предложи расширить период/переформулировать.
После полезного ответа предложи один мягкий следующий шаг.
Отвечай простым текстом, не используй форматирование markdown.
Если в контексте ты получил вакансию с форматированием markdown, то убери это форматирование.
Не ищи вакансии, если этого явно не требуется в запросе пользователя.
"""

redis = Redis(host=os.getenv("REDIS_HOST", "127.0.0.1"))
async_redis = AsyncRedis(host=os.getenv("REDIS_HOST", "127.0.0.1"))
llm = ChatOpenAI(model_name="gpt-5-mini", reasoning_effort="minimal")
embedding = DeepInfraEmbeddings(model_id="Qwen/Qwen3-Embedding-8B")
vectorstore = Clickhouse(embedding, ClickhouseSettings(
    host=os.getenv("CLICKHOUSE_HOST", "127.0.0.1"),
    port=8123,
    username="default",
    password="",
    index_type="vector_similarity",
))


def get_relevant_vacancies(requirements: str):
    """Получает релевантные вакансии из базы данных по переданным требованиям."""
    formatted_vacancies = ""
    for document in vectorstore.similarity_search(requirements, k=5):
        url = f"https://t.me/c/{document.metadata['chat_id']}/{document.metadata['telegram_id']}"
        formatted_vacancies += f"Ссылка: {url}\n{document.page_content}"
    return formatted_vacancies


def get_user_resume(user_id: int):
    """Получает резюме пользователя для подбора вакансий."""
    resume_bytes = redis.get(user_id)
    return resume_bytes.decode("utf-8") if resume_bytes else ""


agent = create_agent(
    model=llm,
    tools=[get_relevant_vacancies, get_user_resume],
    system_prompt=SYSTEM_PROMPT,
    checkpointer=InMemorySaver(),
)