"""
Configuration centrale de PolyglotRAG.

Toutes les valeurs peuvent être surchargées par des variables d'environnement
(fichier .env en local, "Secrets"/"Variables" sur un Hugging Face Space).
Le projet n'a besoin que d'UN seul token : HF_TOKEN (droits "Make calls to
Inference Providers" + lecture/écriture sur le dataset privé).
"""
from __future__ import annotations

import os
from dataclasses import dataclass, field

try:
    from dotenv import load_dotenv
    load_dotenv()
except ImportError:  # pragma: no cover - python-dotenv est optionnel
    pass


SUPPORTED_LANGUAGES: dict[str, dict[str, str]] = {
    "en": {"name": "English", "dir": "ltr"},
    "fr": {"name": "Français", "dir": "ltr"},
    "ru": {"name": "Русский", "dir": "ltr"},
    "es": {"name": "Español", "dir": "ltr"},
    "ar": {"name": "العربية", "dir": "rtl"},
    "pt": {"name": "Português", "dir": "ltr"},
}


def _bool_env(name: str, default: bool) -> bool:
    val = os.getenv(name)
    if val is None:
        return default
    return val.strip().lower() in {"1", "true", "yes", "on"}


@dataclass
class Settings:
    # --- Authentification (un seul token pour tout) -----------------------
    hf_token: str = field(default_factory=lambda: os.getenv("HF_TOKEN", ""))

    # --- Modèle génératif ---------------------------------------------------
    # Servi via le routeur "Inference Providers" de Hugging Face.
    # ":fastest" laisse HF choisir automatiquement le meilleur provider
    # (aujourd'hui Novita) sans jamais changer de code applicatif.
    llm_model: str = field(
        default_factory=lambda: os.getenv(
            "LLM_MODEL", "deepseek-ai/DeepSeek-V4.1-Flash:fastest"
        )
    )
    llm_temperature: float = field(
        default_factory=lambda: float(os.getenv("LLM_TEMPERATURE", "0.2"))
    )
    llm_max_tokens: int = field(
        default_factory=lambda: int(os.getenv("LLM_MAX_TOKENS", "1024"))
    )

    # --- Modèle d'embeddings --------------------------------------------
    # BGE-M3 = qualité maximale, multilingue + cross-lingue natif (défaut).
    # intfloat/multilingual-e5-base = alternative légère (variable d'env).
    embedding_model: str = field(
        default_factory=lambda: os.getenv("EMBEDDING_MODEL", "BAAI/bge-m3")
    )
    embedding_dim: int = field(
        default_factory=lambda: int(os.getenv("EMBEDDING_DIM", "1024"))
    )
    use_query_passage_prefix: bool = field(
        default_factory=lambda: _bool_env("USE_QUERY_PASSAGE_PREFIX", False)
    )

    # --- Stockage vectoriel (dataset privé Hugging Face) --------------------
    hf_dataset_repo: str = field(
        default_factory=lambda: os.getenv("HF_DATASET_REPO", "")
    )
    local_index_dir: str = field(
        default_factory=lambda: os.getenv("LOCAL_INDEX_DIR", "data/index")
    )

    # --- Chunking -----------------------------------------------------------
    chunk_size_tokens: int = field(
        default_factory=lambda: int(os.getenv("CHUNK_SIZE_TOKENS", "350"))
    )
    chunk_overlap_tokens: int = field(
        default_factory=lambda: int(os.getenv("CHUNK_OVERLAP_TOKENS", "60"))
    )

    # --- Recherche hybride ----------------------------------------------
    top_k_retrieve: int = field(
        default_factory=lambda: int(os.getenv("TOP_K_RETRIEVE", "15"))
    )
    # Volontairement bas par défaut : moins de passages envoyés au LLM ->
    # latence et coût réduits, contexte plus dense. Augmentez si votre
    # corpus a besoin de plus de passages pour couvrir une même réponse.
    top_k_final: int = field(
        default_factory=lambda: int(os.getenv("TOP_K_FINAL", "2"))
    )
    same_language_bonus: float = field(
        default_factory=lambda: float(os.getenv("SAME_LANGUAGE_BONUS", "0.04"))
    )
    min_confidence_score: float = field(
        default_factory=lambda: float(os.getenv("MIN_CONFIDENCE_SCORE", "0.28"))
    )

    # --- Index vectoriel : recherche exacte ou approximative (ANN) ---------
    # "hnsw" (par défaut) = FAISS IndexHNSWFlat, approximatif mais bien plus
    # rapide sur un grand corpus, sans étape d'entraînement (contrairement à
    # IVF). "flat" = recherche exacte (IndexFlatIP), utile pour un tout petit
    # corpus de test ou pour comparer la qualité du retrieval.
    ann_index_type: str = field(
        default_factory=lambda: os.getenv("ANN_INDEX_TYPE", "hnsw")
    )
    ann_hnsw_m: int = field(
        default_factory=lambda: int(os.getenv("ANN_HNSW_M", "32"))
    )
    ann_ef_search: int = field(
        default_factory=lambda: int(os.getenv("ANN_EF_SEARCH", "64"))
    )

    # --- Cache (réponses + embeddings de requêtes) --------------------------
    enable_cache: bool = field(
        default_factory=lambda: _bool_env("ENABLE_CACHE", True)
    )
    cache_ttl_seconds: int = field(
        default_factory=lambda: int(os.getenv("CACHE_TTL_SECONDS", "600"))
    )
    cache_max_size: int = field(
        default_factory=lambda: int(os.getenv("CACHE_MAX_SIZE", "512"))
    )

    # --- Journalisation / métriques ---------------------------------------
    metrics_db_path: str = field(
        default_factory=lambda: os.getenv("METRICS_DB_PATH", "data/metrics.sqlite3")
    )

    # --- Admin ---------------------------------------------------------------
    admin_password: str = field(
        default_factory=lambda: os.getenv("ADMIN_PASSWORD", "")
    )

    def validate(self) -> list[str]:
        errors = []
        if not self.hf_token:
            errors.append(
                "HF_TOKEN manquant : créez un token sur "
                "https://huggingface.co/settings/tokens avec le scope "
                "'Make calls to Inference Providers' (+ 'Write' si vous "
                "poussez un dataset)."
            )
        return errors


settings = Settings()