"""Q&A 反向补全：基于问题答案分析，将树中缺失的事实注入节点。

通过 LLM 分析正确答案需要哪些关键事实，再检查树中是否已有，
对缺失事实执行注入。仅注入客观事实（人名、地点、得分、物体名称），
不注入情感、因果推理、时间推理等主观或高阶信息。

与 TRM4 的关键差异:
  - 树结构从扁平 dict 变为 TreeIndex（L1Node → L2Node → L3Node）。
  - Card 为 frozen dataclass，注入时使用 dataclasses.replace() 创建新实例。
  - LLMProvider 为异步接口，返回 LLMResponse（.content 获取文本）。
"""

from __future__ import annotations

import json
from dataclasses import dataclass, replace
from typing import TYPE_CHECKING, Any

from loguru import logger

if TYPE_CHECKING:
    from app.tree.index import L1Node, L2Node, L3Node, TreeIndex
    from core.protocols import LLMProvider

# ---------------------------------------------------------------------------
# 允许注入的类别白名单
# ---------------------------------------------------------------------------

_ALLOWED_CATEGORIES = frozenset(
    {
        "person_name",
        "location",
        "score_number",
        "object_name",
    }
)

# ---------------------------------------------------------------------------
# 类别 → 默认注入字段映射（L2 Card 字段名）
# ---------------------------------------------------------------------------

_CATEGORY_DEFAULT_FIELD: dict[str, str] = {
    "person_name": "entities",
    "location": "entities",
    "score_number": "entities",
    "object_name": "entities",
}

# ---------------------------------------------------------------------------
# 统计
# ---------------------------------------------------------------------------


@dataclass
class SupplementStats:
    """反向补全统计信息。

    属性:
        questions_analyzed: 分析的问题数量。
        facts_injected: 成功注入的事实数量。
        facts_skipped: 跳过的事实数量（类别不在白名单中）。
    """

    questions_analyzed: int = 0
    facts_injected: int = 0
    facts_skipped: int = 0


# ---------------------------------------------------------------------------
# 去重
# ---------------------------------------------------------------------------


def deduplicate_field(values: list[str]) -> list[str]:
    """大小写归一化去重，保留首次出现的原始形式。

    参数:
        values: 待去重字符串列表。

    返回:
        去重后的列表，保留各值首次出现时的大小写。
        空字符串和纯空白字符串会被跳过。
    """
    seen: set[str] = set()
    result: list[str] = []
    for v in values:
        key = v.strip().lower()
        if key and key not in seen:
            seen.add(key)
            result.append(v)
    return result


# ---------------------------------------------------------------------------
# 节点查找
# ---------------------------------------------------------------------------


def _find_node_by_id(
    index: TreeIndex,
    node_id: str,
) -> tuple[L1Node | L2Node | L3Node | None, int]:
    """在 TreeIndex 中按 ID 查找节点，返回节点和所属层级。

    参数:
        index: 树索引。
        node_id: 目标节点 ID。

    返回:
        (node, level) 元组。找不到时返回 (None, -1)。
        level: 1=L1, 2=L2, 3=L3。
    """
    for l1 in index.roots:
        if l1.id == node_id:
            return l1, 1
        for l2 in l1.children:
            if l2.id == node_id:
                return l2, 2
            for l3 in l2.children:
                if l3.id == node_id:
                    return l3, 3
    return None, -1


# ---------------------------------------------------------------------------
# 单值注入（适配 frozen Card）
# ---------------------------------------------------------------------------


def _inject_into_l2(l2: L2Node, field: str, value: str) -> bool:
    """向 L2 节点的 Card 指定字段注入一个值。

    使用 dataclasses.replace() 创建新的 frozen L2Card。
    仅支持 list[str] 类型字段（entities / actions / action_subjects / visible_text）
    和 str 类型字段（event_description / spatial_relations / state_changes）。

    参数:
        l2: L2 节点（card 会被替换为新实例）。
        field: 目标字段名。
        value: 要注入的值。

    返回:
        True 表示实际注入了新内容，False 表示已存在（跳过）。
    """
    card = l2.card
    current = getattr(card, field, None)

    if current is None:
        # 字段不存在于 Card schema，跳过
        logger.debug("L2Card 无字段 {}，跳过注入", field)
        return False

    if isinstance(current, list):
        lower_set = {v.strip().lower() for v in current if isinstance(v, str)}
        if value.strip().lower() in lower_set:
            return False
        new_list = deduplicate_field([*current, value])
        l2.card = replace(card, **{field: new_list})
        return True

    if isinstance(current, str):
        if value.strip().lower() in current.lower():
            return False
        new_val = current + "; " + value if current else value
        l2.card = replace(card, **{field: new_val})
        return True

    return False


def _inject_into_l3(l3: L3Node, field: str, value: str) -> bool:
    """向 L3 节点的 Card 指定字段注入一个值。

    使用 dataclasses.replace() 创建新的 frozen L3Card。

    参数:
        l3: L3 节点（card 会被替换为新实例）。
        field: 目标字段名。
        value: 要注入的值。

    返回:
        True 表示实际注入了新内容，False 表示已存在（跳过）。
    """
    card = l3.card
    current = getattr(card, field, None)

    if current is None:
        logger.debug("L3Card 无字段 {}，跳过注入", field)
        return False

    if isinstance(current, list):
        lower_set = {v.strip().lower() for v in current if isinstance(v, str)}
        if value.strip().lower() in lower_set:
            return False
        new_list = deduplicate_field([*current, value])
        l3.card = replace(card, **{field: new_list})
        return True

    if isinstance(current, str):
        if value.strip().lower() in current.lower():
            return False
        new_val = current + "; " + value if current else value
        l3.card = replace(card, **{field: new_val})
        return True

    return False


def _inject_into_l1(l1: L1Node, field: str, value: str) -> bool:
    """向 L1 节点的 Card 指定字段注入一个值。

    使用 dataclasses.replace() 创建新的 frozen L1Card。

    参数:
        l1: L1 节点（card 会被替换为新实例）。
        field: 目标字段名。
        value: 要注入的值。

    返回:
        True 表示实际注入了新内容，False 表示已存在（跳过）。
    """
    card = l1.card
    current = getattr(card, field, None)

    if current is None:
        logger.debug("L1Card 无字段 {}，跳过注入", field)
        return False

    if isinstance(current, list):
        lower_set = {v.strip().lower() for v in current if isinstance(v, str)}
        if value.strip().lower() in lower_set:
            return False
        new_list = deduplicate_field([*current, value])
        l1.card = replace(card, **{field: new_list})
        return True

    if isinstance(current, str):
        if value.strip().lower() in current.lower():
            return False
        new_val = current + "; " + value if current else value
        l1.card = replace(card, **{field: new_val})
        return True

    return False


# ---------------------------------------------------------------------------
# 批量注入
# ---------------------------------------------------------------------------


def apply_injections(index: TreeIndex, injections: list[dict[str, Any]]) -> SupplementStats:
    """执行一组注入指令，将事实写入树节点 Card。

    每条指令格式::

        {
            "category": "person_name" | "location" | "score_number" | "object_name",
            "inject_value": "...",
            "targets": [{"node_id": "...", "field": "..."}, ...]
        }

    向后兼容: 若无 targets，读取 target_node_id + target_field 构造单目标。

    参数:
        index: TreeIndex 实例（节点 Card 会被替换为新实例）。
        injections: 注入指令列表。

    返回:
        注入统计信息。
    """
    stats = SupplementStats()

    for instr in injections:
        category = instr.get("category", "")
        if category not in _ALLOWED_CATEGORIES:
            logger.debug("拒绝非法类别: {}", category)
            stats.facts_skipped += 1
            continue

        inject_value = instr.get("inject_value", "")
        if not inject_value:
            stats.facts_skipped += 1
            continue

        # 解析目标列表（兼容新旧格式）
        targets = instr.get("targets")
        if not targets:
            node_id = instr.get("target_node_id", "")
            field = instr.get("target_field", "")
            if node_id and field:
                targets = [{"node_id": node_id, "field": field}]
            else:
                stats.facts_skipped += 1
                continue

        for target in targets:
            node_id = target.get("node_id", "")
            field = target.get("field", "")
            node, level = _find_node_by_id(index, node_id)

            if node is None:
                logger.debug("跳过不存在的节点: {}", node_id)
                stats.facts_skipped += 1
                continue

            injected = False
            if level == 1:
                injected = _inject_into_l1(node, field, inject_value)  # type: ignore[arg-type]
            elif level == 2:
                injected = _inject_into_l2(node, field, inject_value)  # type: ignore[arg-type]
            elif level == 3:
                injected = _inject_into_l3(node, field, inject_value)  # type: ignore[arg-type]

            if injected:
                stats.facts_injected += 1
            else:
                stats.facts_skipped += 1

    return stats


# ---------------------------------------------------------------------------
# LLM Prompt
# ---------------------------------------------------------------------------

_SUPPLEMENT_SYSTEM_PROMPT = """\
你是一个视频内容分析专家。你的任务是分析回答某个问题需要哪些关键事实，
并判断这些事实是否已存在于视频树的摘要中。

## 输出规则

1. 只输出**客观事实**，包括以下四类:
   - person_name: 人物姓名
   - location: 地点名称
   - score_number: 比分、数字
   - object_name: 关键物体名称

2. **不要**输出以下类型:
   - 情感、态度、心情
   - 因果推理（"因为…所以…"）
   - 时间顺序推理（"先…后…"）
   - 主观评价

3. 对于 person_name 类别，输出 targets 数组包含两个写入点:
   - L2 节点的 entities 字段
   - L3 节点的 visible_entities 字段
   其他类别只写入最相关的单个节点的 entities 字段。

4. 每条 missing fact 必须包含 inject_value（要注入的值）和 targets 数组。

## 输出格式 (严格 JSON)

```json
{
  "needed_facts": [
    {"category": "person_name", "value": "..."}
  ],
  "found_in_tree": [
    {"category": "person_name", "value": "...", "found_at": "node_id"}
  ],
  "missing_facts": [
    {
      "category": "person_name",
      "inject_value": "...",
      "targets": [
        {"node_id": "...", "field": "entities"},
        {"node_id": "...", "field": "visible_entities"}
      ]
    }
  ]
}
```

只输出 JSON，不要输出其他内容。
"""


def _build_user_prompt(
    question: dict[str, Any],
    index: TreeIndex,
    srt_text: str,
) -> str:
    """构建 supplement 分析的 user prompt。

    包含: 问题 + 选项 + 正确答案 + 树 L2 摘要 + SRT 字幕（截断至 3000 字符）。

    参数:
        question: 包含 question/options/answer 的字典。
        index: TreeIndex 实例。
        srt_text: SRT 字幕文本。

    返回:
        拼装后的 user prompt 字符串。
    """
    # 问题部分
    q_text = question.get("question", "")
    options = question.get("options", [])
    answer = question.get("answer", "")
    options_str = "\n".join(f"  {chr(65 + i)}. {opt}" for i, opt in enumerate(options))

    # 树 L2 摘要（从 TreeIndex 结构中提取）
    l2_summaries: list[str] = []
    for l1 in index.roots:
        for l2 in l1.children:
            description = l2.card.event_description
            entities_str = ", ".join(l2.card.entities) if l2.card.entities else ""
            time_str = ""
            if l2.time_range:
                time_str = f"{l2.time_range[0]:.1f}-{l2.time_range[1]:.1f}s: "
            l2_summaries.append(
                f"[{l2.id}] {time_str}{description}"
                + (f" | entities: {entities_str}" if entities_str else "")
            )

    l2_block = "\n".join(l2_summaries) if l2_summaries else "(无 L2 摘要)"

    # SRT 截断
    srt_truncated = srt_text[:3000] if srt_text else "(无字幕)"

    return (
        f"## 问题\n{q_text}\n\n"
        f"## 选项\n{options_str}\n\n"
        f"## 正确答案\n{answer}\n\n"
        f"## 视频树 L2 摘要\n{l2_block}\n\n"
        f"## 字幕 (前 3000 字符)\n{srt_truncated}"
    )


# ---------------------------------------------------------------------------
# LLM 调用
# ---------------------------------------------------------------------------


async def analyze_question(
    llm: LLMProvider,
    question: dict[str, Any],
    index: TreeIndex,
    srt_text: str,
) -> list[dict[str, Any]]:
    """调用 LLM 分析单个问题，返回需要注入的事实列表。

    参数:
        llm: LLMProvider 实例（异步接口）。
        question: 问题字典（含 question/options/answer）。
        index: TreeIndex 实例。
        srt_text: SRT 字幕文本。

    返回:
        missing_facts 列表，每项含 category / inject_value / targets。
        解析失败时返回空列表。
    """
    user_prompt = _build_user_prompt(question, index, srt_text)
    messages = [
        {"role": "system", "content": _SUPPLEMENT_SYSTEM_PROMPT},
        {"role": "user", "content": user_prompt},
    ]

    response = await llm.chat(messages)
    raw = response.content

    # 提取 JSON（兼容 markdown 代码块包裹）
    text = raw.strip()
    if text.startswith("```"):
        lines = text.split("\n")
        lines = [ln for ln in lines if not ln.strip().startswith("```")]
        text = "\n".join(lines)

    try:
        parsed = json.loads(text)
    except json.JSONDecodeError:
        logger.warning("supplement LLM 返回非法 JSON，跳过。原始内容: {}", raw[:200])
        return []

    missing = parsed.get("missing_facts", [])
    if not isinstance(missing, list):
        logger.warning("missing_facts 不是列表，跳过")
        return []

    return missing


# ---------------------------------------------------------------------------
# 主入口
# ---------------------------------------------------------------------------


async def supplement_tree(
    index: TreeIndex,
    questions: list[dict[str, Any]],
    llm: LLMProvider,
    srt_text: str = "",
) -> SupplementStats:
    """对树索引执行 Q&A 反向补全：遍历问题，分析缺失事实，注入节点。

    参数:
        index: TreeIndex 实例（节点 Card 会被就地替换）。
        questions: 问题列表，每项含 question/options/answer。
        llm: LLMProvider 实例（异步接口）。
        srt_text: SRT 字幕文本（可选，默认空字符串）。

    返回:
        补全统计信息。
    """
    all_injections: list[dict[str, Any]] = []

    for i, question in enumerate(questions):
        logger.debug(
            "supplement: 分析问题 {}/{}",
            i + 1,
            len(questions),
        )
        missing = await analyze_question(llm, question, index, srt_text)
        all_injections.extend(missing)

    stats = apply_injections(index, all_injections)
    stats.questions_analyzed = len(questions)

    logger.info(
        "supplement_tree 完成: questions={} injections={} injected={} skipped={}",
        len(questions),
        len(all_injections),
        stats.facts_injected,
        stats.facts_skipped,
    )
    return stats