from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from pydantic import BaseModel, Field, ValidationError
from state import ReflectState

# Инициализация LLM
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

# Pydantic модель для валидации ответа
class ValidAnswer(BaseModel):
    """Модель для валидации качества ответа"""
    content: str = Field(description="Ответ на вопрос")
    is_complete: bool = Field(description="Полнота ответа (должно быть True)")
    has_examples: bool = Field(description="Наличие примеров (должно быть True)")
    is_concise: bool = Field(description="Отсутствие воды (должно быть True)")
    
    def validate_quality(self) -> tuple[bool, str]:
        """Проверяет качество ответа по критериям"""
        issues = []
        
        if not self.is_complete:
            issues.append("неполный ответ")
        if not self.has_examples:
            issues.append("нет конкретных примеров")
        if not self.is_concise:
            issues.append("содержит воду/общие фразы")
            
        if not self.content or len(self.content.split()) < 50:
            issues.append("слишком короткий ответ (<50 слов)")
            
        if len(self.content.split()) > 300:
            issues.append("слишком длинный ответ (>300 слов)")
            
        if issues:
            return False, f"Проблемы: {', '.join(issues)}"
        return True, "OK"

# Промпт для генерации с инструкцией по качеству
ANSWER_PROMPT = """Ты — эксперт, который дает качественные ответы.
Требования к ответу:
1. Полнота: ответ покрывает все аспекты вопроса
2. Конкретика: есть примеры, детали, точные формулировки
3. Краткость: 5-10 предложений, без воды

Вопрос: {question}

После ответа добавь метаданные в формате JSON:
{{
    "is_complete": true/false,
    "has_examples": true/false,
    "is_concise": true/false
}}

Сам ответ должен быть в markdown формате.
"""

def generate_answer(state: ReflectState) -> ReflectState:
    """
    Узел генерации ответа с try/except и валидацией
    При ошибке заполняет поле error
    """
    print(f"\n📝 [Попытка {state['round']}/{state['max_rounds']}] Генерация ответа...")
    
    try:
        # 1. Генерация ответа
        prompt = ANSWER_PROMPT.format(question=state["question"])
        response = llm.invoke([HumanMessage(content=prompt)])
        
        # 2. Парсинг JSON-метаданных из ответа
        import json
        import re
        
        # Ищем JSON в конце ответа
        json_match = re.search(r'\{[^{}]*"is_complete"[^{}]*\}', response.content)
        if not json_match:
            raise ValueError("Не найдены метаданные JSON в ответе")
        
        metadata = json.loads(json_match.group())
        
        # 3. Создаем объект ValidAnswer
        answer_obj = ValidAnswer(
            content=response.content,
            is_complete=metadata.get("is_complete", False),
            has_examples=metadata.get("has_examples", False),
            is_concise=metadata.get("is_concise", False)
        )
        
        # 4. Валидация качества
        is_valid, error_message = answer_obj.validate_quality()
        
        if not is_valid:
            raise ValueError(error_message)
        
        # 5. Успех - очищаем ошибку
        print(f"   ✅ Ответ прошел валидацию!")
        return {
            **state,
            "draft": answer_obj.content,
            "error": None
        }
        
    except (ValidationError, ValueError, json.JSONDecodeError) as e:
        # Перехватываем все ошибки валидации
        error_msg = str(e)
        print(f"   ❌ Ошибка валидации: {error_msg}")
        
        return {
            **state,
            "draft": "",  # Очищаем невалидный ответ
            "error": error_msg
        }
    
    except Exception as e:
        # Другие ошибки (сеть, API и т.д.)
        print(f"   ❌ Критическая ошибка: {str(e)}")
        return {
            **state,
            "draft": "",
            "error": f"Критическая ошибка: {str(e)}"
        }