"""
LangGraph 状态图构建模块 - 完全面向对象风格，无嵌套函数
"""

import operator
import asyncio
import time
from typing import Literal, Annotated, Any
from langchain_core.language_models import BaseLLM
from langchain_core.messages import AnyMessage, AIMessage, ToolMessage, SystemMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langgraph.graph import StateGraph, START, END
from typing_extensions import TypedDict
from langgraph.store.postgres.aio import AsyncPostgresStore
from langgraph.runtime import Runtime
from dataclasses import dataclass
import uuid

# 本地模块
from app.logger import debug, info, warning, error


class MessagesState(TypedDict):
    """对话状态类型定义"""
    messages: Annotated[list[AnyMessage], operator.add]
    llm_calls: int
    memory_context:str
    last_token_usage: dict  # 本次调用的 token 使用详情
    last_elapsed_time: float  # 本次调用耗时（秒）

@dataclass
class GraphContext:
    user_id: str
    # 可扩展更多上下文信息

class GraphBuilder:
    """LangGraph 状态图构建器 - 所有节点均为类方法"""

    def __init__(self, llm: BaseLLM, tools: list, tools_by_name: dict[str, Any]):
        """
        初始化构建器
        
        Args:
            llm: 大语言模型实例
            tools: 工具列表
            tools_by_name: 名称到工具函数的映射
        """
        self.llm = llm
        self.tools = tools
        self.tools_by_name = tools_by_name
        self._llm_with_tools = llm.bind_tools(tools)
        self._prompt = self._create_prompt()
        self._chain = self._prompt | self._llm_with_tools

    @staticmethod
    def _create_prompt() -> ChatPromptTemplate:
        """创建系统提示模板（静态方法，无需访问实例）"""
        return ChatPromptTemplate.from_messages([
            SystemMessage(content=(
                "你是一个个人生活助手和数据分析助手，请使用中文交流。\n\n"
                "【用户背景信息】\n"
                "以下是对当前用户的已知信息和长期记忆，你必须优先采纳并在回答中体现：\n"
                "{memory_context}\n"
                "若包含姓名、偏好等个人信息，请自然融入回应（例如称呼名字、提及偏好）。\n\n"
                "【可用工具与使用规则】\n"
                "- 获取温度/天气：`get_current_temperature`\n"
                "- 读取文本文件：`read_local_file`（限定目录 `./user_docs`）\n"
                "- 读取PDF摘要：`read_pdf_summary`（限定目录 `./user_docs`）\n"
                "- 读取Excel表格：`read_excel_as_markdown`（限定目录 `./user_docs`）\n"
                "- 抓取网页内容：`fetch_webpage_content`\n"
                "工具调用时请直接返回所需参数，无需额外说明。\n\n"
                "【回答要求（必须遵守）】\n"
                "1. 回答必须简洁、直接，禁止描述任何思考过程或内心活动。\n"
                "2. 优先利用已知用户信息进行个性化回复。\n"
                "3. 若无信息可依，礼貌询问或提供通用帮助。"
            )),
            MessagesPlaceholder(variable_name="messages")
        ])

    async def call_llm(self, state: MessagesState, runtime: Runtime[GraphContext]) -> dict:
        """
        LLM 调用节点（异步方法）
        注意：因为 self._chain.invoke 是同步方法，使用 run_in_executor 避免阻塞事件循环
        """
        memory_context = state.get("memory_context", "暂无用户信息")
        
        # 构建完整的输入消息列表（用于调试打印）
        system_prompt = self._prompt.messages[0]  # SystemMessage
        if isinstance(system_prompt, SystemMessage):
            system_content = system_prompt.content.format(memory_context=memory_context)
        else:
            system_content = str(system_prompt.content)
        
        input_messages = [SystemMessage(content=system_content)] + state["messages"]
        
        # 打印发送给大模型的最终输入
        debug("\n" + "="*80)
        debug("📤 [LLM输入] 发送给大模型的完整消息:")
        debug(f"   总消息数: {len(input_messages)}")
        for i, msg in enumerate(input_messages):
            content_preview = str(msg.content)  # 不截断，完整输出
            debug(f"   [{i}] {msg.type.upper():10s}: {content_preview}")
        debug("="*80 + "\n")
        
        loop = asyncio.get_event_loop()
        start_time = time.time()
        
        try:
            response = await loop.run_in_executor(
                None, 
                lambda: self._chain.invoke({
                    "messages": state["messages"],
                    "memory_context": memory_context
                })
            )
            
            elapsed_time = time.time() - start_time
            
            # 提取 token 用量（兼容不同 LLM 提供商的元数据格式）
            token_usage = {}
            input_tokens = 0
            output_tokens = 0
            
            # 尝试从 response_metadata 中提取
            if hasattr(response, 'response_metadata') and response.response_metadata:
                meta = response.response_metadata
                if 'token_usage' in meta:
                    token_usage = meta['token_usage']
                elif 'usage' in meta:
                    token_usage = meta['usage']
            
            # 尝试从 additional_kwargs 中提取
            if not token_usage and hasattr(response, 'additional_kwargs'):
                add_kwargs = response.additional_kwargs
                if 'llm_output' in add_kwargs and 'token_usage' in add_kwargs['llm_output']:
                    token_usage = add_kwargs['llm_output']['token_usage']
            
            # 提取具体的 token 数值
            if token_usage:
                input_tokens = token_usage.get('prompt_tokens', token_usage.get('input_tokens', 0))
                output_tokens = token_usage.get('completion_tokens', token_usage.get('output_tokens', 0))
            
            # 打印响应统计信息
            info(f"⏱️  [LLM统计] 调用耗时: {elapsed_time:.2f}秒")
            info(f"📊 [LLM统计] Token用量: 输入={input_tokens}, 输出={output_tokens}, 总计={input_tokens + output_tokens}")
            if token_usage:
                debug(f"📋 [LLM统计] 详细用量: {token_usage}")
            
            # 打印 LLM 的完整输出
            debug("\n" + "="*80)
            debug("📥 [LLM输出] 大模型返回的完整响应:")
            debug(f"   消息类型: {response.type.upper()}")
            debug(f"   内容长度: {len(str(response.content))} 字符")
            debug("-"*80)
            debug(f"{response.content}")
            debug("="*80 + "\n")
            
            return {
                "messages": [response],
                "llm_calls": state.get('llm_calls', 0) + 1,
                "last_token_usage": token_usage,
                "last_elapsed_time": elapsed_time
            }
            
        except Exception as e:
            elapsed_time = time.time() - start_time
            error(f"\n❌ [LLM错误] 调用失败 (耗时: {elapsed_time:.2f}秒)")
            error(f"   错误类型: {type(e).__name__}")
            error(f"   错误信息: {str(e)}")
            import traceback
            traceback.print_exc()
            debug("="*80 + "\n")
            
            # 返回一个友好的错误消息
            error_response = AIMessage(
                content="抱歉，模型暂时无法响应，可能是网络超时或服务繁忙，请稍后再试。"
            )
            return {
                "messages": [error_response],
                "llm_calls": state.get('llm_calls', 0),
                "last_token_usage": {},
                "last_elapsed_time": elapsed_time
            }

    async def call_tools(self, state: MessagesState, runtime: Runtime[GraphContext]) -> dict:
        """
        工具执行节点（异步方法）
        对于每个工具调用，在线程池中执行同步工具函数
        """
        last_message = state['messages'][-1]
        if not isinstance(last_message, AIMessage) or not last_message.tool_calls:
            return {"messages": []}

        results = []
        loop = asyncio.get_event_loop()

        for tool_call in last_message.tool_calls:
            tool_name = tool_call["name"]
            tool_args = tool_call["args"]
            tool_id = tool_call["id"]
            tool_func = self.tools_by_name.get(tool_name)

            if tool_func is None:
                results.append(ToolMessage(content=f"Tool {tool_name} not found", tool_call_id=tool_id))
                continue

            try:
                # 修复闭包问题：将变量作为默认参数传入 lambda
                # 如果工具支持异步 (ainvoke)，优先使用异步调用
                if hasattr(tool_func, 'ainvoke'):
                    observation = await tool_func.ainvoke(tool_args)
                else:
                    observation = await loop.run_in_executor(
                        None,
                        lambda args=tool_args: tool_func.invoke(args)  # 默认参数捕获当前值
                    )
                results.append(ToolMessage(content=str(observation), tool_call_id=tool_id))
            except Exception as e:
                results.append(ToolMessage(content=f"Error: {e}", tool_call_id=tool_id))

        return {"messages": results}

    @staticmethod
    def should_continue(state: MessagesState) -> Literal['tool_node', 'save_memory', 'END']:
        """决定下一步：工具调用、保存记忆还是结束"""
        last_message = state["messages"][-1]
    
        # 1. 如果需要调用工具，优先进入工具节点
        if isinstance(last_message, AIMessage) and last_message.tool_calls:
            return 'tool_node'
    
        # 2. 如果是 AI 的最终回复，可以考虑进入记忆保存节点（可增加判断逻辑）
        #    这里简单处理：只要没有工具调用，且是 AI 消息，就尝试保存记忆。
        if isinstance(last_message, AIMessage):
            return 'save_memory'
    
        # 3. 其他情况（如只有用户消息）直接结束
        return 'END'
    
    async def retrieve_memory(self, state: MessagesState, runtime: Runtime[GraphContext]) -> dict:
        """搜索并返回长期记忆"""
        user_id = runtime.context.user_id
        namespace = ("memories", user_id)
        query = str(state["messages"][-1].content)
        
        debug(f"\n{'='*60}")
        debug(f"🔎 [记忆检索] 开始检索")
        debug(f"   ├─ 用户ID: {user_id}")
        debug(f"   ├─ 命名空间: {namespace}")
        debug(f"   ├─ 查询内容: '{query}'")
        debug(f"   └─ 消息总数: {len(state['messages'])}")
        
        try:
            memories = await runtime.store.asearch(namespace, query=query)
            debug(f"✅ [记忆检索] 检索完成，找到 {len(memories)} 条相关记忆")
            
            if memories:
                memory_text = "\n".join([m.value["data"] for m in memories])
                debug(f"📚 [记忆内容]")
                for i, memory in enumerate(memories, 1):
                    debug(f"   [{i}] {memory.value['data']}")
                debug(f"{'='*60}\n")
                return {"memory_context": memory_text}
            else:
                debug(f"⚠️  [记忆检索] 未找到相关记忆")
                debug(f"{'='*60}\n")
                return {"memory_context": ""}
                
        except Exception as e:
            error(f"❌ [记忆检索] 检索失败: {e}")
            import traceback
            traceback.print_exc()
            debug(f"{'='*60}\n")
            return {"memory_context": ""}
    
    async def save_memory(self, state: MessagesState, runtime: Runtime[GraphContext]) -> dict:
        """尝试从对话中提取并保存长期记忆"""
        # 获取最后一条用户消息（通常是要记住的内容的来源）
        user_messages = [msg for msg in state["messages"] if msg.type == "human"]
        if not user_messages:
            return {}
        
        last_user_msg = user_messages[-1].content.lower()
        
        # 简单触发逻辑：包含"记住"或"保存"等关键词
        if any(keyword in last_user_msg for keyword in ["记住", "保存", "别忘了"]):
            # 提取记忆内容（这里仅作示例，实际可用 LLM 提取）
            memory_content = f"用户说过：{last_user_msg}"
            user_id = runtime.context.user_id
            namespace = ("memories", user_id)
            await runtime.store.aput(namespace, str(uuid.uuid4()), {"data": memory_content})
            info(f"✅ 长期记忆已保存：{memory_content}")
        
        return {}

    def build(self) -> StateGraph:
        """
        构建未编译的状态图（返回 StateGraph 实例）
        图中节点直接使用实例方法 call_llm, call_tools
        """
        builder = StateGraph(MessagesState,context_schema=GraphContext)
        builder.add_node("retrieve_memory", self.retrieve_memory)
        builder.add_node("llm_call", self.call_llm)
        builder.add_node("tool_node", self.call_tools)
        builder.add_node("save_memory", self.save_memory)

        builder.add_edge(START, "retrieve_memory")
        builder.add_edge("retrieve_memory", "llm_call")
        builder.add_conditional_edges(
            "llm_call",
            self.should_continue,
            {
                "tool_node": "tool_node",
                "save_memory": "save_memory",
                'END': END
            }
        )
        builder.add_edge("tool_node", "llm_call")
        builder.add_edge("save_memory", END)
        
        return builder