"""Deep research agent: веб-поиск, виртуальные файлы, экспорт на диск.

Основано на курсе deep agents from scratch:
https://github.com/langchain-ai/deep-agents-from-scratch/blob/main/notebooks/4_full_agent.ipynb
"""
from __future__ import annotations

import os
import sys
from pathlib import Path

from dotenv import load_dotenv
from deepagents import create_deep_agent
from deepagents.backends import LocalShellBackend
from langchain_openai import ChatOpenAI

from export_tools import DEFAULT_OUTPUT_DIR, WORKSPACE_DIR, export_virtual_files, export_workspace_to_disk
from web_tools import get_page_content, web_search

load_dotenv()

BROJS_INFERENCE_URL = "https://platform.brojs.ru/jrnl-bh/api/inference/v1"
DEFAULT_MODEL = "openai/gpt-oss-20b:free"

SYSTEM_PROMPT = """\
Ты исследовательский deep-агент (стиль deep agents from scratch).

Твоя работа:
1. Искать информацию в интернете через web_search и при необходимости get_page_content.
2. Сохранять результаты во ВИРТУАЛЬНЫЕ файлы через write_file (например /research/query.md,
   /research/summary.md, /research/sources.txt). Не оставляй всё только в чате.
3. Используй write_todos для плана исследования.
4. В КОНЦЕ обязательно вызови export_virtual_files с target_dir="./output",
   чтобы выгрузить виртуальные файлы в реальную файловую систему.

Правила:
- Один инструмент за шаг, если возможно.
- В файлах — структурированные заметки: запрос, источники, выводы.
- Отвечай на русском.
"""


def _api_key() -> str:
    return (
        os.getenv("OPENAI_API_KEY")
        or os.getenv("JOURNAL_MCP_PAT")
        or os.getenv("JOURNAL_TOKEN")
        or ""
    )


def _base_url() -> str:
    if os.getenv("OPENAI_BASE_URL"):
        return os.environ["OPENAI_BASE_URL"]
    if os.getenv("OPENAI_API_KEY"):
        return os.getenv("OPENROUTER_BASE_URL", "https://openrouter.ai/api/v1")
    return BROJS_INFERENCE_URL


def _model() -> str:
    return os.getenv("OPENAI_MODEL") or os.getenv("OPENROUTER_MODEL") or DEFAULT_MODEL


def build_llm() -> ChatOpenAI:
    return ChatOpenAI(
        model=_model(),
        base_url=_base_url(),
        api_key=_api_key(),
        temperature=0.2,
    )


def build_agent():
    WORKSPACE_DIR.mkdir(parents=True, exist_ok=True)
    backend = LocalShellBackend(
        root_dir=str(WORKSPACE_DIR.resolve()),
        virtual_mode=True,
        inherit_env=True,
    )
    llm = build_llm()
    return create_deep_agent(
        model=llm,
        tools=[web_search, get_page_content, export_virtual_files],
        system_prompt=SYSTEM_PROMPT,
        backend=backend,
    )


def run_research(query: str) -> None:
    agent = build_agent()
    print(f"Запрос: {query}\n")
    print("Агент работает (поиск → виртуальные файлы → экспорт)...\n")

    result = agent.invoke(
        {
            "messages": [
                {
                    "role": "human",
                    "content": (
                        f"Исследуй тему: {query}. "
                        "Сохрани заметки в виртуальные файлы и в конце выгрузи их через export_virtual_files."
                    ),
                }
            ]
        }
    )

    last = result["messages"][-1]
    print("\n--- Ответ агента ---")
    print(getattr(last, "content", last))

    # Гарантированный экспорт, даже если агент не вызвал инструмент
    exported = export_workspace_to_disk(output_dir=DEFAULT_OUTPUT_DIR)
    print(f"\n--- Файлы на диске ({DEFAULT_OUTPUT_DIR}) ---")
    if exported:
        for path in exported:
            print(f"  {path}")
    else:
        print("  (пусто — агент не создал файлов в agent_workspace)")


def main() -> None:
    query = " ".join(sys.argv[1:]).strip() or "LangGraph deep agents и context engineering"
    run_research(query)


if __name__ == "__main__":
    main()