from __future__ import annotations

import os
from typing import List

from dotenv import load_dotenv
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field

# --------------------------------------------------------------------------- #
# 1. Загрузка переменных окружения (ключи API и т.п.)
# --------------------------------------------------------------------------- #
load_dotenv()  # загружаем .env если он есть


# --------------------------------------------------------------------------- #
# 2. Модель карточки задания
# --------------------------------------------------------------------------- #
class TaskCard(BaseModel):
    """
    Карточка задачи, сформированная из неформального описания.
    """

    title: str = Field(
        ...,
        description="Краткое название задачи (например, «Мини‑отчёт по LangChain»).",
    )
    subject: str | None = Field(
        None,
        description=(
            "Тема или предмет, к которому относится задача. "
            "Если не указано – оставляем пустым."
        ),
    )
    deadline_hint: str | None = Field(
        None,
        description="Указание срока сдачи в свободной форме (например, «к пятнице»).",
    )
    deliverable_type: str | None = Field(
        None,
        description=(
            "Тип сдаваемого материала – отчёт, код, презентация и т.п. "
            "Если не указано – оставляем пустым."
        ),
    )
    grading_hints: List[str] | None = Field(
        None,
        description="Список ключевых критериев оценки (например, ['полнота', 'пример кода']).",
    )


# --------------------------------------------------------------------------- #
# 3. Настройка LLM и парсера
# --------------------------------------------------------------------------- #
llm = ChatOpenAI(temperature=0)  # можно задать модель через переменную окружения

parser = PydanticOutputParser(pydantic_object=TaskCard)

prompt_template = PromptTemplate(
    template="""
Ниже приведено неформальное описание задания от преподавателя.  
Пожалуйста, извлеките из него следующую информацию и верните её в формате JSON,
соответствующем модели TaskCard:

{format_instructions}

Описание:
"{input_text}"
""",
    input_variables=["input_text"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)

# --------------------------------------------------------------------------- #
# 4. Цепочка: промпт → LLM → парсер
# --------------------------------------------------------------------------- #
task_chain = prompt_template | llm | parser


# --------------------------------------------------------------------------- #
# 5. Демонстрация работы
# --------------------------------------------------------------------------- #
if __name__ == "__main__":
    # Пример входного текста (можно заменить на любой другой)
    example_text = (
        "Сдайте к пятнице мини‑отчёт по LangChain: 2 страницы, упор на агентов. "
        "Оценка: за полноту и за пример кода."
    )

    # Выполняем цепочку
    result = task_chain.invoke({"input_text": example_text})

    # Выводим валидированный объект
    print("\n=== Валидированная карточка задачи ===")
    print(result.model_dump(indent=2))

    # Краткая человекочитаемая сводка
    print("\n=== Человекочитаемый вывод ===")
    print(f"Заголовок: {result.title}")
    if result.subject:
        print(f"Тема: {result.subject}")
    if result.deadline_hint:
        print(f"Срок сдачи: {result.deadline_hint}")
    if result.deliverable_type:
        print(f"Тип сдаваемого материала: {result.deliverable_type}")
    if result.grading_hints:
        print("Критерии оценки:")
        for hint in result.grading_hints:
            print(f"- {hint}")