"""
RAG 工具包装

将 RAG 流水线包装成 LangChain Tool，供 Agent 调用。
"""

from typing import Optional, Dict, Any
from langchain.tools import tool
from langchain_core.tools import Tool
from langchain_core.embeddings import Embeddings
from langchain_core.language_models import BaseLanguageModel

from .pipeline import RAGPipeline, RAGConfig, RAGLevel


class RAGTool:
    """
    RAG 工具包装器
    
    将 RAG 流水线包装成 Agent 可调用的工具。
    """
    
    def __init__(
        self,
        pipeline: RAGPipeline,
        tool_name: str = "search_knowledge_base",
        tool_description: str = None,
    ):
        """
        初始化 RAG 工具
        
        Args:
            pipeline: RAG 流水线实例
            tool_name: 工具名称
            tool_description: 工具描述
        """
        self.pipeline = pipeline
        self.tool_name = tool_name
        
        # 默认工具描述
        self.tool_description = tool_description or (
            "在知识库中搜索相关信息。当用户询问需要查阅文档、规章制度、"
            "专业知识或需要基于已知信息回答的问题时使用此工具。"
            "输入应为要搜索的查询文本。"
        )
        
        # 创建 LangChain 工具
        self._tool = self._create_tool()
    
    def _create_tool(self) -> Tool:
        """创建 LangChain 工具"""
        
        @tool(self.tool_name, args_schema=None)
        def search_knowledge_base(query: str) -> str:
            """
            在知识库中搜索相关信息
            
            Args:
                query: 搜索查询
                
            Returns:
                格式化后的搜索结果
            """
            try:
                # 执行检索
                result = self.pipeline.retrieve(query)
                
                if not result.documents:
                    return "在知识库中未找到相关信息。"
                
                # 格式化上下文
                context = self.pipeline.format_context(
                    result.documents,
                    max_length=4000,  # 限制上下文长度
                )
                
                # 构建响应
                response = (
                    f"🔍 在知识库中找到了 {len(result.documents)} 条相关信息：\n\n"
                    f"{context}\n\n"
                    f"⏱️ 检索耗时: {result.query_time:.2f}秒"
                )
                
                return response
                
            except Exception as e:
                error_msg = f"检索过程中发生错误: {str(e)}"
                if self.pipeline.config.verbose:
                    print(f"RAG 工具错误: {error_msg}")
                return error_msg
        
        # 设置工具描述
        search_knowledge_base.description = self.tool_description
        
        return search_knowledge_base
    
    def get_tool(self) -> Tool:
        """获取 LangChain 工具"""
        return self._tool
    
    def __call__(self, query: str) -> str:
        """直接调用工具"""
        return self._tool.invoke({"query": query})


def create_rag_tool(
    embeddings: Embeddings,
    llm: Optional[BaseLanguageModel] = None,
    config: Optional[Dict[str, Any]] = None,
    tool_name: str = "search_knowledge_base",
    tool_description: Optional[str] = None,
) -> Tool:
    """
    创建 RAG 工具（便捷函数）
    
    Args:
        embeddings: 嵌入模型
        llm: 语言模型（用于高级 RAG 功能）
        config: RAG 配置字典
        tool_name: 工具名称
        tool_description: 工具描述
        
    Returns:
        LangChain Tool 实例
    """
    # 创建 RAG 流水线
    pipeline = RAGPipeline.create_from_config(
        embeddings=embeddings,
        llm=llm,
        config_dict=config,
    )
    
    # 创建工具包装器
    rag_tool = RAGTool(
        pipeline=pipeline,
        tool_name=tool_name,
        tool_description=tool_description,
    )
    
    return rag_tool.get_tool()


# 导出便捷函数
search_knowledge_base_tool = create_rag_tool


def bind_rag_to_agent(
    agent_llm: BaseLanguageModel,
    embeddings: Embeddings,
    rag_llm: Optional[BaseLanguageModel] = None,
    config: Optional[Dict[str, Any]] = None,
    tool_name: str = "search_knowledge_base",
) -> BaseLanguageModel:
    """
    将 RAG 工具绑定到 Agent 模型
    
    Args:
        agent_llm: Agent 使用的语言模型
        embeddings: 嵌入模型
        rag_llm: RAG 流水线使用的语言模型（如果与 agent_llm 不同）
        config: RAG 配置
        tool_name: 工具名称
        
    Returns:
        绑定工具后的模型
    """
    # 如果未指定 RAG LLM，使用 Agent LLM
    if rag_llm is None:
        rag_llm = agent_llm
    
    # 创建 RAG 工具
    rag_tool = create_rag_tool(
        embeddings=embeddings,
        llm=rag_llm,
        config=config,
        tool_name=tool_name,
    )
    
    # 绑定工具到模型
    return agent_llm.bind_tools([rag_tool])


def create_agentic_rag_pipeline(
    embeddings: Embeddings,
    agent_llm: BaseLanguageModel,
    rag_llm: Optional[BaseLanguageModel] = None,
    config: Optional[Dict[str, Any]] = None,
) -> Dict[str, Any]:
    """
    创建完整的 Agentic RAG 流水线（Level 4）
    
    Args:
        embeddings: 嵌入模型
        agent_llm: Agent 模型
        rag_llm: RAG 专用模型
        config: 配置
        
    Returns:
        包含模型和工具的字典
    """
    # 配置 Agentic RAG 级别
    if config is None:
        config = {}
    config["rag_level"] = RAGLevel.AGENTIC.value
    
    # 创建 RAG 工具
    rag_tool = create_rag_tool(
        embeddings=embeddings,
        llm=rag_llm or agent_llm,
        config=config,
        tool_name="search_knowledge_base",
        tool_description=(
            "在知识库中搜索相关信息。当用户询问需要查阅文档、规章制度、"
            "专业知识或需要基于已知信息回答的问题时使用此工具。"
            "Agent 应该先判断是否需要使用此工具，然后调用它获取上下文。"
        ),
    )
    
    # 绑定工具到模型
    bound_llm = agent_llm.bind_tools([rag_tool])
    
    return {
        "llm": bound_llm,
        "tool": rag_tool,
        "pipeline": RAGPipeline.create_from_config(
            embeddings=embeddings,
            llm=rag_llm or agent_llm,
            config_dict=config,
        ),
    }