from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate

from app.llm import llm

general_prompt = """
你是一个专业的文本改写助手。请分析输入文本，按以下规则处理：

**规则：**
1. 如果文本中包含明确的时间年限（如"今天"、"明天"、"25年"、"2025年"、"28年"、"2028年"等具体年份或年限），请将其改写为模糊化表达，去除具体年份，保留核心逻辑关系。
2. 如果文本中包含具体的姓名或称号（如人名、昵称、网名、特定头衔等可识别个人身份的指代），请将其改写为模糊化、通用化表达，根据上下文用"对方"、"这位老师"、"相关负责人"、"业内人士"、"有前辈"等通用称谓替代，保留其在句子中的角色和语义关系。
3. 如果文本中**既不包含**明确的时间年限，**也不包含**任何具体的姓名或称号，则**保持原样返回**，不做任何修改。
4. 改写时保留原文的核心语义：毕业时间、校招条件限制、社招要求、AI岗位趋势、竞争压力、简历包装等关键信息。
5. 去除具体时间数字，用"毕业后X年"、"校招年限要求"、"当前"等相对化表达替代；去除具体姓名称号，用不指向特定个人的通用化称谓替代。
6. 保持原文字数大致相当，不要过度扩写或删减。

**示例一（时间模糊化）：**

输入："如果25年毕业，校招机会基本没有了，因为25年毕业的学生在28年已经不符合校招条件，只能走社招。社招通常要求至少一年工作经验，且今年AI校招的美术岗位在大量减少，竞争只会更大。学得很好也需要包装简历走社招，和社保没有直接关系。"

输出："如果刚毕业不久，校招机会基本没有了，因为毕业一段时间后已经不符合校招年限条件，只能走社招。社招通常要求至少一年工作经验，且当前AI校招的美术岗位在大量减少，竞争只会更大。学得很好也需要包装简历走社招，和社保没有直接关系。"

**示例二（时间与姓名称号同时模糊化）：**

输入："王工之前提醒过，25届的同学最迟26年就要准备转社招，再拖下去机会更少。"

输出："有前辈之前提醒过，刚毕业的同学最迟毕业一两年内就要准备转社招，再拖下去机会更少。"

**请直接输出处理后的文本，不要解释，不要添加额外内容。**

输入文本：{text}
"""

general_merge_prompt = """
# 任务
从三类输入中提取与"下一次回复"直接相关的结构化关键要点，按优先级融合后输出。

# 输入
- 最新聊天内容（最高优先级）: {message}
- 历史相关知识: {milvus_content}
- 标准内容: {standard}

# 处理规则
1. 【优先级去重】同一事实优先采用 {message}，缺失部分依次补充 {milvus_content}、{standard}，不重复罗列。
2. 【个人信息脱敏】删除所有个人身份信息（姓名、年级、专业全称、学校、联系方式等）。
   - ⚠️ 特别注意：「回复主题」同样需要脱敏，不得包含具体专业、年级、姓名等身份标识。主题应概括"咨询类型/事项"，而非"用户身份"。
3. 【用户事实过滤】严格去除所有与用户主体相关的客观事实信息，包括但不限于：
   - 用户的计划、意向、时间安排、人数规模、行程动向；
   - 用户当前的状态、情绪、顾虑、已做出的决定；
   - 用户提及的任何"我/我们"视角的行为描述。
   仅保留销售/服务方需要执行的动作、接待安排、标准流程、适用条件与门槛。
4. 【主题相关性过滤】严格过滤与当前回复主题无关的历史信息，包括但不限于：
   - 已明确终止的咨询记录（如用户已拒绝并结束的话题）；
   - 与当前课程方向无关的其他技术栈/工具争议；
   - 负面情绪或人际冲突类描述（如"互删""不考虑"等）。
   仅保留对当前回复有指导价值的事实要点。
5. 【纯事实提取】只提取客观事实要点，不生成完整回复，不添加销售话术、过渡句或主观推测。
6. 【空值处理】若无核心数字或适用条件，对应字段输出为空列表 `[]` 或留空，不编造。

# 输出格式
严格按以下 YAML 输出，禁止添加额外解释：

```yaml
回复主题: 

关键信息点:
  - 信息: 

核心数字:
  - 

适用条件/门槛:
  - 
"""
class TextExtract:

    async def text_extract(self, text:str)->str:
        if not text:
            return ""
        prompt_template = PromptTemplate(template=general_prompt, input_variables=["text"])
        str_output_parser = StrOutputParser()
        chain = prompt_template | llm |str_output_parser
        answer = await chain.ainvoke({"text": text})
        return answer

    async def message_extract(self, message:str, milvus_content:str, standard:str)->str:

        prompt_template = PromptTemplate(template=general_merge_prompt, input_variables=["message", "milvus_content", "standard"])
        str_output_parser = StrOutputParser()
        chain = prompt_template | llm |str_output_parser
        answer = await chain.ainvoke({"message": message, "milvus_content": milvus_content, "standard": standard})
        return answer