import asyncio
import os

import sys

from dotenv import load_dotenv
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
from langchain_core.messages import HumanMessage

# 🧠 1. Le nouvel import pour la sauvegarde
from langgraph.checkpoint.sqlite.aio import AsyncSqliteSaver

# Chargement de la clé API
load_dotenv()

async def lancer_agent():
    print("🤖 Initialisation de l'Agent Gemini...")
    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash")

    print("🔌 Configuration de la connexion au serveur MCP local...")
    
    # NOUVELLE SYNTAXE : On passe la configuration directement dans le client
    client = MultiServerMCPClient({
        "serveur_taches": {
            "command": sys.executable, # 🌟 LA MODIFICATION EST ICI
            "args": ["serveur_mcp.py"],
            "transport": "stdio"
        }
    })

    # On récupère les outils (attention, c'est maintenant une fonction asynchrone qui nécessite 'await')
    outils = await client.get_tools()
    print(f"✅ Outils détectés : {[outil.name for outil in outils]}")

    # 🧠 2. Connexion à notre base de données locale (elle sera créée automatiquement)
   # 🧠 2. On utilise 'async with' pour ouvrir la mémoire proprement
    async with AsyncSqliteSaver.from_conn_string("memoire_agent.db") as checkpointer:
    
        # 🌟 Création de l'Agent LangGraph
        #agent = create_react_agent(llm, tools=outils)
        # 🧠 3. On donne le checkpointer à notre agent
        agent = create_react_agent(llm, tools=outils, checkpointer=checkpointer)

        # 🧠 4. Le Thread ID : C'est la clé de la mémoire !
        # Toutes les requêtes avec ce même ID partageront la même mémoire.
        config_memoire = {"configurable": {"thread_id": "conversation_personnelle_01"}}

        #--- LE TEST DE L'AGENT ---
        #consigne = (
        #    "1. Ajoute la tâche 'Acheter du pain'. "
        #    "2. Ajoute la tâche 'Appeler le client'. "
        #    "3. Fais-moi un résumé de toutes mes tâches actuelles."
        #)
        
        consigne = (
            "J'ai déjà demander d'acheter du pain ?"
        )
        
        print(f"\n🗣️ Consigne donnée à l'Agent : {consigne}\n")
        print("⏳ Démarrage du flux de réflexion de l'Agent...\n")

        # 🌟 LA MODIFICATION EST ICI : On remplace ainvoke par astream
        # stream_mode="values" permet de récupérer l'état à chaque nouvelle étape
        async for etape in agent.astream(
            {"messages": [HumanMessage(content=consigne)]}, 
            config=config_memoire, # 🧠 5. On n'oublie pas de passer la config !
            stream_mode="values"
        ):
            # On récupère le tout dernier message généré à cette étape
            dernier_message = etape["messages"][-1]
            
            # pretty_print() formate le texte avec des couleurs dans le terminal !
            dernier_message.pretty_print()

        # Déconnexion propre (cette ligne ne change pas, assurez-vous de l'avoir gardée)
        # await client.disconnect()



if __name__ == "__main__":
    asyncio.run(lancer_agent())