from llm.context import LLMContext
from llm.config import LLMConfig
from extraccion.schemas_entidades import (
    Acciones,
    Temas,
    Estrategias,
    Factores,
    Entidades,
    Competencias,
    Herramientas,
    Mecanismos,
)
import yaml


# Cargar la configración de prompts desde el archivo .yaml
def load_prompts_config(file_path):
    with open(file_path, "r") as file:
        prompts_config = yaml.safe_load(file)
    return prompts_config


path_prompts = "extraccion/prompts.yaml"
prompts_config = load_prompts_config(path_prompts)

context = LLMContext()


def extractor_pre_1(respuesta: str) -> Acciones:
    prompt = prompts_config["prompts"]["pregunta_1"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Acciones)

    acciones: list = llm_so.invoke(prompt)

    lista_acciones = acciones.acciones

    for accion in lista_acciones:
        print("-" * 100)
        print(accion.accion)
        print("-" * 100)

    return acciones


def extractor_pre_2(respuesta: str) -> Acciones:
    prompt = prompts_config["prompts"]["pregunta_2"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Acciones)

    acciones: list = llm_so.invoke(prompt)

    lista_acciones = acciones.acciones

    for accion in lista_acciones:
        print("-" * 100)
        print(accion.accion)
        print("-" * 100)

    return acciones


# El caso de este agente debe analizar se bien posteriormente para afinar bien el schema de datos
def extractor_pre_3(respuesta: str) -> Temas:
    prompt = prompts_config["prompts"]["pregunta_3"]["prompt"].format(
        respuesta=respuesta
    )
    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Temas)

    temas: list = llm_so.invoke(prompt)

    lista_temas = temas.temas

    for tema in lista_temas:
        print("-" * 100)
        print(tema.tema)
        print("-" * 100)

    return temas


def extractor_pre_4(respuesta: str) -> Temas:
    prompt = prompts_config["prompts"]["pregunta_4"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Temas)

    temas: list = llm_so.invoke(prompt)

    lista_temas = temas.temas

    for tema in lista_temas:
        print("-" * 100)
        print(tema.tema)
        print("-" * 100)

    return temas


def extractor_pre_5(respuesta: str) -> Estrategias:
    prompt = prompts_config["prompts"]["pregunta_5"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Estrategias)

    estrategias: list = llm_so.invoke(prompt)

    lista_estrategias = estrategias.estrategias

    for estrategia in lista_estrategias:
        print("-" * 100)
        print(estrategia.estrategia)
        print("-" * 100)

    return estrategias


def extractor_pre_6(respuesta: str) -> Mecanismos:
    prompt = prompts_config["prompts"]["pregunta_6"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Mecanismos)

    mecanismos: list = llm_so.invoke(prompt)

    lista_mecanismos = mecanismos.mecanismos

    for mecanismo in lista_mecanismos:
        print("-" * 100)
        print(mecanismo.mecanismo)
        print("-" * 100)

    return mecanismos


def extractor_pre_7(respuesta: str) -> Estrategias:
    prompt = prompts_config["prompts"]["pregunta_7"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Estrategias)

    estrategias: list = llm_so.invoke(prompt)

    lista_estrategias = estrategias.estrategias

    for estrategia in lista_estrategias:
        print("-" * 100)
        print(estrategia.estrategia)
        print("-" * 100)

    return estrategias


def extractor_pre_8(respuesta: str) -> Factores:
    prompt = prompts_config["prompts"]["pregunta_8"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-sonnet-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Factores)

    factores: list = llm_so.invoke(prompt)

    lista_factores = factores.factores

    for factor in lista_factores:
        print("-" * 100)
        print(factor.factor)
        print("-" * 100)

    return factores


def extractor_pre_9(respuesta: str) -> Entidades:
    prompt = prompts_config["prompts"]["pregunta_9"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Entidades)

    entidades: list = llm_so.invoke(prompt)

    lista_entidades = entidades.entidades

    for entidad in lista_entidades:
        print("-" * 100)
        print(entidad.entidad)
        print("-" * 100)

    return entidades


def extractor_pre_10(respuesta: str) -> Competencias:
    prompt = prompts_config["prompts"]["pregunta_10"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")
    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Competencias)

    competencias: Competencias = llm_so.invoke(prompt)

    print("\n Competencias extraídas:")
    print(f"Básicas: {competencias.basicas}")
    print(f"Socioemocionales: {competencias.socioemocionales}")
    print(f"Ciudadanas: {competencias.ciudadanas}")
    print(f"Siglo XXI: {competencias.siglo_xxi}")

    return competencias


def extractor_pre_11(respuesta: str) -> Herramientas:
    prompt = prompts_config["prompts"]["pregunta_11"]["prompt"].format(
        respuesta=respuesta
    )

    config = LLMConfig(provider="anthropic", model_name="claude-haiku-4-5")

    context.set_strategy(config)
    llm = context.get_llm()

    llm_so = llm.with_structured_output(Herramientas)

    herramientas: list = llm_so.invoke(prompt)

    lista_herramientas = herramientas.herramientas

    for herramienta in lista_herramientas:
        print("-" * 100)
        print(herramienta.herramienta)
        print("-" * 100)

    return herramientas


respuesta = """
Cada semestre en nuestra programación están estipuladas dos capacitaciones según
las necesidades que los profesores expresen. Cuando algunos profesores participan
en fotos o seminarios deben de comprometerse a compartir lo aprendido sacando para
ello un espacio en la reunión de profesores, también deben de enviar un correo con
el certificado
"""
extractor_pre_6(respuesta)