from strands import tool

@tool
def video_embedding_local(
    video_path: str,
    user_id: str = "default_user",
    action: str = "process",
    query: Optional[str] = None,
    similarity_threshold: float = 0.8,
    frames_per_second: int = 1,
    region: str = None,
) -> Dict[str, Any]:
    """
    Bộ xử lý nhúng video đơn giản theo đúng mẫu notebook 05.

    Args:
        video_path: Đường dẫn đến tệp video (cục bộ)
        user_id: Nhận diện người dùng cho việc cách ly dữ liệu
        action: Hành động thực hiện ('process', 'search', 'list')
        query: Từ khóa tìm kiếm cho việc truy xuất (khi hành động là 'search')
        similarity_threshold: Ngưỡng so sánh độ tương đồng khung hình (0.0-1.0)
        frames_per_second: Số khung hình trích xuất mỗi giây
        region: Khu vực AWS

    Returns:
        Từ điển chứa kết quả xử lý
    """
    try:
        # Logic xử lý video phức tạp ở đây...
        cluster_arn = os.getenv('AURORA_CLUSTER_ARN')
        secret_arn = os.getenv('AURORA_SECRET_ARN')
        database_name = os.getenv('AURORA_DATABASE_NAME', 'kbdata')

        aurora = AuroraPostgres(cluster_arn, database_name, secret_arn, region)

        if action == "search":
            return _search_videos(query, aurora, region)
        elif action == "list":
            return _list_videos(user_id, aurora)
        else:
            return _process_video(video_path, user_id, similarity_threshold, 
                                frames_per_second, s3_bucket, aurora, region)

    except Exception as e:
        return {
            "status": "error",
            "message": f"Error: {str(e)}",
            "error_type": type(e).__name__
        }

@tool
def s3_vector_memory(
    action: str,
    content: str = None,
    query: str = None,
    user_id: str = None,
    vector_bucket_name: str = None,
    index_name: str = None,
    top_k: int = 20,
    min_score: float = 0.1
) -> Dict:
    """
    Quản lý bộ nhớ theo native AWS sử dụng Amazon S3 Vectors.

    Hành động:
    - store: Lưu trữ nội dung bộ nhớ mới
    - retrieve: Tìm kiếm và lấy bộ nhớ liên quan
    - list: Liệt kê tất cả bộ nhớ của người dùng
    """
    if not user_id:
        return {"status": "error", "message": "user_id là bắt buộc cho việc cách ly bộ nhớ"}

    try:
        config = {
            "bucket_name": vector_bucket_name or os.environ.get('VECTOR_BUCKET_NAME'),
            "index_name": index_name or os.environ.get('VECTOR_INDEX_NAME'),
            "region": region_name or os.environ.get('AWS_REGION', 'us-east-1'),
            "model_id": embedding_model or os.environ.get('EMBEDDING_MODEL')
        }

        bedrock = boto3.client("bedrock-runtime", region_name=config["region"])
        s3vectors = boto3.client("s3vectors", region_name=config["region"])

        if action == "store":
            return _store_memory(s3vectors, bedrock, config, content, user_id)
        elif action == "retrieve":
            return _retrieve_memories(s3vectors, bedrock, config, query, user_id, top_k, min_score)
        elif action == "list":
            return _list_memories(s3vectors, bedrock, config, user_id, top_k)

    except Exception as e:
        return {"status": "error", "message": str(e)}

response = video_agent(f"Video này nói về cái gì trong {VIDEO_PATH}?")

response = memory_agent(f"""Tôi quan tâm đến việc học về AI và công nghệ cơ sở dữ liệu. 
Lưu sở thích này cho người dùng {USER_ID}, sau đó tìm kiếm video trong {VIDEO_PATH} cho các thảo luận kỹ thuật về cơ sở dữ liệu vector và nhúng.""")

response = memory_agent(f"Người dùng {USER_ID} đã hỏi gì trước đây?")