"""
Chargeur de skills.
Détecte les commandes dans une réponse LLM et exécute le skill correspondant.

Format attendu dans la réponse du LLM :
    SEARCH: <requête>
    READ: <url>
    REMEMBER: <clé> | <valeur>
    RECALL: <clé>
"""
import importlib
import re
from pathlib import Path

SKILLS_DIR = Path(__file__).parent

# Map trigger -> fonction d'exécution
_REGISTRY: dict = {}

def load_skills():
    """Charge tous les skills disponibles dans le dossier skills/."""
    _REGISTRY.clear()

    for py_file in SKILLS_DIR.glob("*.py"):
        if py_file.name.startswith("_") or py_file.name == "loader.py":
            continue
        module_name = "skills.{}".format(py_file.stem)
        try:
            mod = importlib.import_module(module_name)
        except Exception as e:
            print("[Skills] Impossible de charger {} : {}".format(py_file.name, e))
            continue

        # Skill avec un seul trigger (ex: SEARCH:, READ:)
        if hasattr(mod, "TRIGGER") and mod.TRIGGER and hasattr(mod, "execute"):
            _REGISTRY[mod.TRIGGER] = mod.execute
            print("[Skills] Chargé : {}".format(mod.TRIGGER))

        # Skill memory : deux triggers
        if py_file.stem == "memory":
            if hasattr(mod, "remember"):
                _REGISTRY["REMEMBER:"] = mod.remember
                print("[Skills] Chargé : REMEMBER:")
            if hasattr(mod, "recall"):
                _REGISTRY["RECALL:"] = mod.recall
                print("[Skills] Chargé : RECALL:")

def run_skills(llm_response: str) -> tuple[bool, str]:
    """
    Parcourt la réponse du LLM ligne par ligne.
    Si une commande est détectée, exécute le skill et retourne (True, résultat).
    Sinon retourne (False, réponse originale).
    """
    for line in llm_response.splitlines():
        line = line.strip()
        for trigger, fn in _REGISTRY.items():
            if line.upper().startswith(trigger):
                args = line[len(trigger):].strip()
                result = fn(args)
                return True, result
    return False, llm_response