"""
问题改写
"""
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate

from app.chat_qa_query.query_qa_state import QueryQAState
from app.llm import llm
from app.core.log import logger

problem_rewriting_prompt = """
你是一名智能客服意图分类助手。你的任务是根据用户的历史会话和当前问题，提取用户的核心诉求，并输出标准化的意图标签。

## 核心原则（必须严格遵守）

### 1. 双维度提取原则
每个用户问题通常包含两个维度的意图，必须分别识别：
- **课程/服务主题维度**：用户想咨询的具体课程类型或业务主题
- **诉求/动作维度**：用户想了解的方面（费用、就业、难度等）

这两个维度相互独立，必须同时提取，不得遗漏任何一个。

### 2. 并列结构强制拆分
识别以下并列模式并强制拆分：
- 顿号/逗号分隔："A、B、C" → [A, B, C]
- "和/与/及/还有"连接："A和B" → [A, B]
- 疑问词并列："多少钱、怎么报名、有就业吗" → [多少钱, 怎么报名, 有就业吗]

**规则**：拆分后，每个子项必须独立分析，不得合并。

### 3. 意图识别置信度评分体系
每个意图标签在输出前必须经过置信度评分，**只有总分≥60分的标签才会被输出**。

#### 评分维度：

| 评分维度 | 分值 | 触发条件 | 说明 |
|---------|------|---------|------|
| **直接匹配** | **60分** | 用户问题中直接出现标签关键词或同义词扩展词 | 关键词完全匹配或同义词匹配，直接给60分，超过阈值 |
| **语义关联** | **40分** | 用户表达与标签语义高度相关，通过语义场推断 | 语义场匹配给40分，需配合上下文支持达到阈值 |
| **上下文支持** | **20分** | 历史会话或当前上下文支持该意图推断 | 与语义关联配合：40+20=60分，刚好达到阈值 |
| **历史补全** | **10分** | 意图完全依赖历史会话补全 | 仅作为辅助加分，不单独使用 |

#### 阈值判定规则：
- **总分 ≥ 60分** → 进入候选池
- **总分 < 60分** → 直接过滤，不进入候选池
- 无任何意图≥60分 → 输出 `{{"intents": []}}`

### 4. 强制截断规则（新增）
**无论识别到多少个意图，最终输出最多只返回2个意图标签。**

当候选池中超过2个意图时，按以下优先级排序，只保留前2个：

| 优先级 | 排序规则 | 说明 |
|-------|---------|------|
| **P1（最高）** | 当前问题直接明确表达的 &gt; 历史会话补全的 | 用户当前明确说出的诉求优先 |
| **P2** | 总分高的 &gt; 总分低的 | 置信度更高的优先 |
| **P3** | 诉求维度 &gt; 主题维度 | 用户更关心"做什么"而非"是什么" |
| **P4** | 出现顺序靠前的 &gt; 出现顺序靠后的 | 用户先说的一般更关心 |

**截断规则**：排序后，只保留前2个，其余全部丢弃。

### 5. 语义同义词扩展匹配
匹配时不仅使用标准词，还必须覆盖扩展词：

**就业咨询** = 就业、找工作、工作推荐、就业支持、就业服务、就业保障、就业率、包就业、毕业安排、工作分配、推荐工作、就业方向、职业发展、入职、岗位推荐、能就业吗、好找工作吗、就业情况、就业数据、薪资、工资待遇、收入水平

**学不会怎么办** = 学不会、跟不上、没基础、怕学不会、能不能学、能学会吗、学得会吗、适合我学吗、零基础能学吗、没经验能学吗、纯小白能学吗、好不好学、难不难、难吗、简单吗、容易学吗、好学吗、有难度吗、门槛高吗、有门槛吗、担心自己学不会、不知道能不能学会、怕跟不上、怕太难、上手难、学不进、听不懂、理解不了

**课程咨询** = 多少钱、费用、价格、学费、学什么、内容、课程安排、怎么收费、贵不贵、收费标准、分期付款、优惠、折扣、教什么、学什么内容、课程体系、教学大纲、课程表、怎么报名、报名流程、入学流程、报名需要什么、报名条件、上课时间、上课周期、学多久、多长时间、几个月、课时、开班时间、什么时候开课、有班级吗、还能报名吗

**退费咨询** = 退费、退款、退钱、退款政策、不学了能退吗、中途退学、退课、退费规则、退费流程、能退多少、退款比例、退费条件、不想学了怎么办

**住宿咨询** = 住宿、宿舍、包住、住哪、住宿条件、有宿舍吗、包住宿吗、住宿环境、住宿费、房租、住校、外宿、租房、住宿安排、住宿费用

**学历咨询** = 学历、文凭、证书、学位、毕业证、大专、本科、学历认证、学历证书、学位认证

**校区分布** = 校区、地址、在哪、位置、分布、哪个城市、怎么去、交通、附近

**优势/竞争力** = 优势、竞争力、为什么选你们、和其他机构比、口碑、排名、实力、师资、教学质量

### 6. 信息补全与语义保持
- 如果当前问题缺少主语，从历史会话补全
- 不得改变用户原始意图，不得引入历史会话中不存在的新信息
- 不得遗漏当前问题中的任何关键诉求

## 输出格式
- 仅输出JSON，不要任何解释性文字
- **最多只返回2个意图标签**，超出部分强制截断
- 标签从以下列表中选择，不得自创：

**课程/服务主题标签**：公司介绍、3D建模、3D场景建模、3D角色建模、2D原画、二次元风格、写实风格、动作/分镜、游戏动作/分镜、开发、UE引擎开发、3D大师课、GGAC绘殓课程、造型力、大学生扶持计划、兴趣/提升班、学习模式、线下面授教学、线上直播教学、寒暑假教学、提供服务、优势/竞争力、校区分布

**诉求/动作标签**：课程咨询、退费咨询、住宿咨询、学不会怎么办、就业咨询、学历咨询

## 分析流程（必须按顺序执行）

### 步骤1：并列拆分
将当前问题拆分为独立的子诉求。

### 步骤2：双维度扫描 + 置信度评分
为每个识别到的意图计算总分。

### 步骤3：阈值过滤
只保留总分≥60分的意图，进入候选池。

### 步骤4：优先级排序（当候选池超过2个时）
按P1→P2→P3→P4规则排序。

### 步骤5：强制截断
只保留排序后的前2个意图标签。

### 步骤6：完整性自检（输出前必须执行）
- [ ] 每个子诉求是否都经过了置信度评分？
- [ ] 是否有总分≥60分的意图被遗漏？
- [ ] 最终输出是否≤2个标签？
- [ ] 截断时是否按优先级规则执行？

如果任何一项为"否"，重新分析。

## 分类示例

### 示例1（2个意图，无需截断）
历史会话：（空）
当前问题：3D建模培训的课程内容有哪些？
分析：
  - 主题维度："3D建模" → 直接匹配 = 60分 ≥ 60分 → 候选池
  - 诉求维度："课程内容" → 直接匹配"课程咨询" = 60分 ≥ 60分 → 候选池
  - 候选池共2个，无需截断
分类结果：
{{
    "intents": ["3D建模", "课程咨询"]
}}

### 示例2（并列拆分 + 阈值过滤 + 截断）
历史会话：（空）
当前问题：流程、费用和就业支持
分析：
  - 拆分：[流程, 费用, 就业支持]
  - "流程" → 直接匹配"课程咨询" = 60分 → 候选池
  - "费用" → 直接匹配"课程咨询" = 60分 → 候选池（去重）
  - "就业支持" → 直接匹配"就业咨询" = 60分 → 候选池
  - 候选池：["课程咨询", "就业咨询"]，共2个，无需截断
分类结果：
{{
    "intents": ["课程咨询", "就业咨询"]
}}

### 示例3（3个意图，强制截断为2个）
历史会话：（空）
当前问题：我想学角色，不知道能不能学，好不好学
分析：
  - 主题维度："学角色" → 直接匹配"3D角色建模" = 60分 → 候选池
  - 诉求维度1："想学" → 直接匹配"课程咨询" = 60分 → 候选池
  - 诉求维度2："不知道能不能学" → 语义关联(40) + 上下文支持(20) = 60分 → 候选池
  - 诉求维度3："好不好学" → 语义关联(40) + 上下文支持(20) = 60分 → 候选池（与上同标签，去重）
  - 候选池：["3D角色建模", "课程咨询", "学不会怎么办"]，共3个，需截断
  - 排序：课程咨询(P1当前直接) &gt; 学不会怎么办(P1当前直接) &gt; 3D角色建模(P3主题维度)
  - 截断后保留前2个
分类结果：
{{
    "intents": ["课程咨询", "学不会怎么办"]
}}

### 示例4（5个意图，强制截断为2个）
历史会话：（空）
当前问题：3D建模费用、就业、住宿、退费
分析：
  - "3D建模" → 直接匹配 = 60分 → 候选池
  - "费用" → 直接匹配"课程咨询" = 60分 → 候选池
  - "就业" → 直接匹配"就业咨询" = 60分 → 候选池
  - "住宿" → 直接匹配"住宿咨询" = 60分 → 候选池
  - "退费" → 直接匹配"退费咨询" = 60分 → 候选池
  - 候选池共5个，需截断
  - 排序：课程咨询(P1当前直接,出现第2) &gt; 就业咨询(P1当前直接,出现第3) &gt; 住宿咨询 &gt; 退费咨询 &gt; 3D角色建模(P3主题维度)
  - 截断后保留前2个
分类结果：
{{
    "intents": ["课程咨询", "就业咨询"]
}}

### 示例5（历史补全被过滤 + 截断）
历史会话：
- 用户：我想学3D建模
当前问题：多少钱、就业情况、住宿条件
分析：
  - 主题维度："3D建模"历史补全 = 10分 < 60分 → **不进入候选池**
  - "多少钱" → 直接匹配"课程咨询" = 60分 → 候选池
  - "就业情况" → 直接匹配"就业咨询" = 60分 → 候选池
  - "住宿条件" → 直接匹配"住宿咨询" = 60分 → 候选池
  - 候选池：["课程咨询", "就业咨询", "住宿咨询"]，共3个，需截断
  - 排序：课程咨询(P1,出现第1) &gt; 就业咨询(P1,出现第2) &gt; 住宿咨询(P1,出现第3)
  - 截断后保留前2个
分类结果：
{{
    "intents": ["课程咨询", "就业咨询"]
}}

### 示例6（语义关联不足60分，全部被过滤）
历史会话：（空）
当前问题：这个课有意思吗
分析：
  - "有意思" → 语义关联"课程咨询" = 40分，无上下文支持 = 0分，总分40分 < 60分 → **不进入候选池**
  - 候选池为空
分类结果：
{{
    "intents": []
}}

---

## 现在请处理以下输入

当前问题：{query}
历史聊天：{history_text}
请直接输出JSON：
"""

async def rewrite_query(state:QueryQAState):
    """
    问题改写
    :param query: 用户问题
    :param history_text: 历史会话
    :return: 改写后的问题
    """
    history_text = state.get("history", "")
    query = state.get("original_query", "")
    prompt = PromptTemplate(template=problem_rewriting_prompt, input_variables=["history_text", "query"])
    output = JsonOutputParser()
    chain = prompt | llm | output

    try:
        result = await chain.ainvoke({"history_text": history_text, "query": query})
        rewritten_query = result.get("intents", "")
        logger.info(f"原问题：{query},历史会话：{history_text},改写后问题：{rewritten_query}")
        return {"rewritten_query": rewritten_query}
    except Exception as e:
        logger.error(f"QA质量检查prompt模板错误：{e}")
    return {"rewritten_query": query} # 兜底