"""
RAG 意图判断服务
基于 server 实现的智能路由策略
"""
import json
from typing import List, Dict, Optional
from pydantic import BaseModel, Field
from langchain_core.prompts import PromptTemplate

from core.llm_catalog import build_chat_model
from logger.logging import get_logger

logger = get_logger(__name__)


class FileIntent(BaseModel):
    """单个文件的意图判断结果"""
    file_name: str = Field(description="文件名")
    file_id: int = Field(description="文件ID")
    question_type: str = Field(
        description="问题类型: summary(需要全文), search(向量检索), excel_analysis(表格分析)",
        default="search"
    )


class RagIntentResult(BaseModel):
    """RAG 意图判断结果"""
    result: List[FileIntent] = Field(description="涉及的文件及其处理方式", default=[])


# 意图判断的 Prompt（参考 server 实现）
INTENT_JUDGE_PROMPT = """
你是一个 RAG 问答系统的意图分类器。请根据用户的问题和文件摘要，判断：
1. 哪些文件与问题相关
2. 每个文件需要什么类型的处理

## 任务 1：过滤文件列表
- 从候选文件中选出与用户问题相关的文件
- 按关联度从高到低排序
- 若问题中有"本文"、"这个文件"等指代词，结合上下文判断
- 若无法判断相关文件，返回空数组

## 任务 2：问题类型判断
对每个文件，判断用户需要什么类型的处理：

### "summary" - 需要完整文件内容
适用于以下情况：
- 需要文件的全部内容才能回答（如：总结、概括、归纳、分析）
- 基于文件的整体内容问答
- **简单的事实查询**（如"XX是多少"、"XX排名第几"、"XX是什么"、"谁夺冠"等）
- 文件内容的改写、润色、翻译
- 图片内容的具体描述
- 问题中提到"文件"、"文档"、"文章"、"图片"等词语
- **🔑 重要：当不确定时，优先选择 summary！**

**示例**：
- "总结一下这个文档的主要内容"
- "詹姆斯得了多少分"（简单事实查询 → summary）
- "南京在苏超的排名是第几"（简单事实查询 → summary）
- "成年人的修养是什么"（需要完整文档内容 → summary）
- "翻译这篇文章"

### "search" - 只需部分内容（向量检索）
适用于以下情况：
- 只需要在文件中定位、查找或提取特定的、局部的内容
- 基于关键词的搜索
- 问题明确指向某个具体片段

**示例**：
- "文件中哪里提到了xxx"
- "找出关于xxx的段落"
- "第三章讲了什么"

### "excel_analysis" - 表格数据分析
适用于以下情况：
- 文件类型必须为 xlsx、xls、csv
- 基于表格的数据问答、筛选、排序、汇总、统计分析
- 查询单元格、行、列数据

**示例**：
- "A1单元格是什么"
- "第二行第三列的值是多少"
- "计算平均值"

## 输入信息
候选文件列表（按上传时间排序，最后一个为最新）:
{{ file_list }}

文件摘要信息:
{{ file_summaries }}

用户问题:
{{ query }}

## 输出格式
严格按照以下 JSON 格式输出，不要输出其他内容：
```json
{
  "result": [
    {
      "file_name": "文件名",
      "file_id": 123,
      "question_type": "summary"
    }
  ]
}
```

如果没有相关文件，返回：
```json
{
  "result": []
}
```
"""


class RagIntentService:
    """RAG 意图判断服务"""
    
    def __init__(self):
        self.model = build_chat_model(
            provider="tongyi",
            api_model="qwen-plus-latest",
            streaming=False,
            temperature=0.1,  # 降低温度，让判断更稳定
        )
    
    async def judge_intent(
        self,
        query: str,
        file_list: List[Dict[str, any]],
        chat_history: Optional[List[str]] = None
    ) -> List[FileIntent]:
        """
        判断用户问题的 RAG 意图
        
        Args:
            query: 用户问题
            file_list: 文件列表 [{"file_id": 1, "file_name": "test.docx", "summary": "..."}]
            chat_history: 聊天历史（可选）
            
        Returns:
            List[FileIntent]: 涉及的文件及其处理方式
        """
        try:
            # 构建文件列表字符串
            file_names = [f["file_name"] for f in file_list]
            file_list_str = ", ".join(file_names)
            
            # 构建文件摘要字符串
            file_summaries_str = ""
            for f in file_list:
                file_summaries_str += f"【{f['file_name']}】（ID: {f['file_id']}）:\n"
                summary = f.get('summary', '无摘要')
                # 截取摘要前 500 字符（避免过长）
                if len(summary) > 500:
                    summary = summary[:500] + "..."
                file_summaries_str += f"{summary}\n\n"
            
            # 构建完整输入
            full_query = query
            if chat_history:
                history_str = "\n".join(chat_history[-3:])  # 最近3轮对话
                full_query = f"【聊天历史】\n{history_str}\n\n【当前问题】\n{query}"
            
            # 创建 Prompt
            prompt_template = PromptTemplate(
                template=INTENT_JUDGE_PROMPT,
                input_variables=["file_list", "file_summaries", "query"],
                template_format="jinja2"
            )
            
            # 调用 LLM 判断意图（使用 Pydantic schema）
            chain = prompt_template | self.model.with_structured_output(
                schema=RagIntentResult
            )
            
            result = await chain.ainvoke({
                "file_list": file_list_str,
                "file_summaries": file_summaries_str,
                "query": full_query
            })
            
            # 解析结果（with_structured_output 直接返回 Pydantic 对象）
            if isinstance(result, RagIntentResult):
                intents = result.result
                
                logger.info(f"意图判断完成: {len(intents)} 个文件")
                for intent in intents:
                    logger.info(f"  - {intent.file_name} ({intent.file_id}): {intent.question_type}")
                
                return intents
            else:
                logger.warning(f"意图判断返回格式异常: {type(result)}")
                return []
                
        except Exception as e:
            logger.error(f"意图判断失败: {e}")
            return []


# 全局实例（单例模式）
_intent_service = None


async def get_rag_intent_service() -> RagIntentService:
    """获取 RAG 意图服务实例（单例）"""
    global _intent_service
    if _intent_service is None:
        _intent_service = RagIntentService()
    return _intent_service