"""
MCP Server v2 (transporte stdio) — RAG sobre ESL, ISLP y FES.

Diferencia con v1: la base ChromaDB se obtiene de un dataset HF Hub
(ver `rag_books_mcp.tools` para la resolución de la ruta).

Libros indexados:
- ESL  : The Elements of Statistical Learning (Hastie, Tibshirani, Friedman)
- ISLP : An Introduction to Statistical Learning with Python (James, Witten, Hastie, Tibshirani)
- FES  : Feature Engineering and Selection (Kuhn, Johnson)
"""

from mcp.server.fastmcp import FastMCP

from rag_books_mcp.tools import (
    cite_foundation as _cite_foundation,
    get_section as _get_section,
    list_available_topics as _list_available_topics,
    search_theory as _search_theory,
)


mcp = FastMCP(
    "rag-books-mcp-v2",
    instructions=(
        "RAG sobre los libros ESL, ISLP y FES. v2: base vectorial ChromaDB "
        "cargada desde un dataset publicado en HF Hub (separación código/datos)."
    ),
)


@mcp.tool()
def search_theory(query: str, book: str = "all", top_k: int = 5) -> str:
    """Busca fragmentos relevantes en ESL/ISLP/FES/PDSH usando búsqueda semántica.

    Args:
        query: Consulta en lenguaje natural (ej: "bias-variance tradeoff").
        book: "esl", "islp", "fes", "pdsh", "both" (ESL+ISLP) o "all" (los 4, default).
        top_k: Número de resultados (1-10, default: 5).
    """
    return _search_theory(query=query, book=book, top_k=top_k)


@mcp.tool()
def get_section(book: str, chapter: str, section: str = "", max_chunks: int = 5) -> str:
    """Recupera una sección específica de ESL, ISLP, FES o PDSH por referencia exacta.

    Args:
        book: "esl", "islp", "fes" o "pdsh".
        chapter: Nombre del capítulo (búsqueda parcial soportada).
        section: Nombre de la sección dentro del capítulo (opcional).
        max_chunks: Máximo de chunks a devolver (default: 5).
    """
    return _get_section(book=book, chapter=chapter, section=section, max_chunks=max_chunks)


@mcp.tool()
def cite_foundation(topic: str, detail_level: str = "medium") -> str:
    """Fundamentación teórica de un tema citando los libros (ESL + ISLP + FES + PDSH).

    Args:
        topic: Tema a fundamentar (ej: "ridge regression", "feature engineering").
        detail_level: "brief", "medium" (default) o "deep".
    """
    return _cite_foundation(topic=topic, detail_level=detail_level)


@mcp.tool()
def list_available_topics() -> str:
    """Lista los capítulos y temas indexados en la base de conocimiento."""
    return _list_available_topics()


def main():
    """Punto de entrada del MCP server (stdio)."""
    mcp.run(transport="stdio")


if __name__ == "__main__":
    main()