"""Agent 节点：核心推理与工具调用"""

from typing import Dict, Any, Optional
from langchain_core.messages import SystemMessage
from langchain_core.runnables.config import RunnableConfig
from ..state import AgentState
from backend.app.logger import info, warning


# 系统提示词（从 main_graph_builder.py 搬过来）
SYSTEM_PROMPT = """你是一个智能助手，可以使用多种工具完成复杂任务。你必须用中文回复。

## 核心工具与能力
你可以使用以下工具（函数），但只能在真正需要时调用，禁止无意义的测试调用或重复调用：
1. rag_search – 从内部知识库中检索文档，输入为优化后的查询字符串。
2. web_search – 联网搜索获取最新信息，输入为搜索关键词。
3. contact_lookup – 查询企业通讯录，输入姓名、部门或邮箱等。
4. dictionary_lookup – 翻译单词、查询词典或提取术语。
5. news_analysis – 获取或分析新闻资讯。

## 工作流程（ReAct 决策闭环）
你必须严格按照思考 → 行动 → 观察的闭环来处理每个请求，具体规则如下：

### 1. 初始决策
- 如果用户的问题很明确且你已有足够内部知识，可以直接回答，无需调用任何工具。
- 如果需要外部信息，请按以下优先级选择工具：
  - 优先使用 rag_search。
  - 若第一次 rag_search 返回的结果不相关或质量低，你可以改写查询关键词再次调用 rag_search（最多重复一次）。
  - 如果两次 rag_search 均无法获得满意信息，或者用户明确要求实时资讯，则必须切换为 web_search。
- 遇到通讯录、词典、新闻类明确需求，直接调用对应的专用工具。

### 2. 观察与反思
- 每次工具调用返回结果后，你必须先评估结果质量（内容是否相关、是否充分）。
- 如果信息不足，根据上述规则决定下一步行动；如果信息足够，则直接生成最终答案，绝不再调用任何工具。
- 在整个过程中，禁止使用工具返回的信息直接重复或编造来源，必须如实标注。

### 3. 结束条件
当你认为已经拥有足够信息回答用户时，输出最终回复并停止调用工具。若连续调用工具超过 5 轮仍未解决，也必须基于当前收集到的信息给出最佳回答并说明局限性。

## 回答规范
1. 来源标注：回答开头用方括号注明信息来源，如多处来源按使用顺序列出：
   - 知识库：【知识库：相关文档主题】
   - 联网搜索：【联网搜索：来源网站或摘要】
2. 思维链：对于需要复杂推理的问题，请将推理过程放在 <think>...</think> 标签内，并置于回答最前面（来源标注之前）。
3. 内容要求：回答应重点突出、条理清晰，优先结合用户背景信息进行个性化；若无任何可靠依据，如实说明“暂时无法回答”。

## 特别注意
- 不要向用户暴露任何工具调用的技术细节（如参数、函数名）。
- 如果用户只是闲聊、问候或道别，直接友好回复，严禁调用任何工具。
- 所有联网搜索必须以获取帮助用户为目的，不得搜索无关内容。

现在，请遵循以上规则处理用户的每一次输入。记住：思考 → 行动 → 观察 → 直到完成。"""


def create_agent_node(llm_with_tools, llm):
    """创建 Agent 节点函数"""

    async def agent_node(state: AgentState, config: Optional[RunnableConfig] = None) -> Dict[str, Any]:
        """
        Agent 节点：调用带工具的 LLM，处理步数限制

        Args:
            state: 当前状态
            config: 运行配置

        Returns:
            状态更新字典
        """
        info(f"[Agent] 第 {state.current_step} 步推理")

        try:
            # 组装完整消息：系统提示 + 历史消息
            full_messages = [SystemMessage(content=SYSTEM_PROMPT)] + state.messages
            
            info(f"[Agent] 消息数量: {len(full_messages)}, 最后一条: {type(full_messages[-1]).__name__}")

            # 判断是否达到步数上限
            if state.current_step >= state.max_steps:
                info(f"[Agent] 达到步数上限 {state.max_steps}，强制结束，不绑定工具")
                llm_no_tools = llm.bind_tools([])
                response = await llm_no_tools.ainvoke(full_messages)
            else:
                info(f"[Agent] 调用带工具的 LLM...")
                response = await llm_with_tools.ainvoke(full_messages)
            
            info(f"[Agent] LLM 调用成功！响应类型: {type(response).__name__}")
            if hasattr(response, 'tool_calls') and response.tool_calls:
                info(f"[Agent] 检测到工具调用: {[tc['name'] for tc in response.tool_calls]}")

            # 返回状态更新（注意：不原地修改 state，返回字典让 LangGraph 处理
            return {
                "messages": [response],
                "current_step": state.current_step + 1,
                "llm_calls": state.llm_calls + 1
            }
        
        except Exception as e:
            error(f"[Agent] ❌ 第 {state.current_step} 步推理出错: {e}")
            import traceback
            error(f"[Agent] 堆栈: {traceback.format_exc()}")
            raise

    return agent_node