import json

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate
from langgraph.runtime import Runtime

from app.chat_qa.context import QAContext
from app.chat_qa.qa_state import QAState
from app.dto.quality_score import QualityScore
from app.llm import llm
from app.core.log import logger


#检查消息质量
async def quality_check(chat_history_text:str)->int:
    prompt = """
你是一位培训质量评估专家。请分析以下客服/讲师与学员的对话记录，判断是否值得生成标准化的问答对(QA Pair)。

## 对话记录
{chat_history_text}
## 说明
- [用户]：表示用户的聊天
- [销售]：表示客服/销售的回复/提问
## 评估任务
请从以下5个维度打分（1-10分），并给出综合判断。

## 核心评分原则（优先级从高到低）

**第一原则：相关性优先**
- 对话是否属于培训咨询场景？（课程价格、报名条件、学习内容、就业方向、学习周期等）
- 如果是，基础分不低于40分

**第二原则：问答对应关系**
- 用户是否提出了明确的问题？
- 销售/客服是否给出了直接对应的答案？
- 如果"问题明确 + 答案对应"，基础分不低于60分

**第三原则：信息完整性（在已回答问题的前提下评估）**
- 不要苛求答案必须覆盖用户所有潜在需求
- 只要答案直接回应了用户提出的问题，即视为完整

---

## 五个评分维度（调整后权重）

### 【相关性】（权重30%，1-10分）
- 是否属于培训咨询场景？
  - 课程价格、费用、优惠 → 10分
  - 报名条件、适用人群、学历要求 → 10分
  - 课程内容、学习周期、上课方式 → 10分
  - 就业方向、证书、师资 → 10分
  - 其他培训相关 → 7-9分
  - 与培训无关（如闲聊、技术支持） → 0-3分

### 【问答对应度】（权重25%，1-10分）
- 用户问题是否明确？（3分）
- 销售答案是否直接对应问题？（4分）
- 答案是否存在明显错误或答非所问？（3分，无错误即满分）
- 例如：[用户] XXXXXX [销售] XXXXX 表示销售回答了用户的问题
**评分细则：**
- 用户问A，销售答A = 10分
- 用户问A，销售答A+B（额外信息） = 10分
- 用户问A，销售答了一半A，又问了B = 7分
- 用户问A，销售答非所问 = 0-3分

### 【答案准确性】（权重20%，1-10分）
- 答案事实是否正确？（5分）
- 答案是否无歧义、不会误导用户？（5分）

### 【可复用价值】（权重15%，1-10分）
- 该问题是否是学员常问的问题？（5分）
- 该答案是否可以直接用于未来同类咨询？（5分）

**重要：只要问题和答案对应，且属于培训场景，此项默认不低于6分**

### 【表达清晰度】（权重10%，1-10分）
- 答案是否能让普通学员看懂？（5分）
- 答案是否有明显语病或混乱？（5分，无明显问题即满分）

---

## 硬性否决规则（仅以下情况否决，其他一律不否决）

1. **非培训场景**：对话内容与培训咨询完全无关（如技术支持、物流查询、闲聊）
2. **答案错误**：销售给出了错误信息且可能误导学员
3. **答非所问**：用户问的是A，销售回答的是完全不相关的B

**以下情况不再作为否决条件：**
- 答案只有数字/简单事实
- 对话只有1轮
- 销售抛出了新问题未闭环
- 答案没有覆盖用户的所有潜在需求
- 答案缺少"下一步行动建议"

---


## 输出格式（必须严格遵循JSON格式）
```json
{{
    "relevance": 10,
    "qa_alignment": 10,
    "accuracy": 10,
    "reusability": 8,
    "clarity": 8
}}
"""

    prompt = PromptTemplate(template=prompt, input_variables=["chat_history_text"])
    output = JsonOutputParser()
    chain = prompt | llm | output
    result =  {}
    try:
        result = await chain.ainvoke({"chat_history_text": chat_history_text})
    except Exception as e:
        logger.error(f"QA质量检查prompt模板错误：{e}")
    logger.info(f"消息质量评估：{result}")
    score_obj = QualityScore(
        relevance=result.get("relevance", 0),
        qa_alignment=result.get("qa_alignment", 0),
        accuracy=result.get("accuracy", 0),
        reusability=result.get("reusability", 0),
        clarity=result.get("clarity", 0)
    )
    total = score_obj.total
    return total

"""
生成QA
"""
async def generate_qa(state: QAState, runtime: Runtime[QAContext]):
    retry_count = state.get("retry_count", 0)
    chat_history = state.get("chat_history", 0)

    # 生成QA的系统提示
    system_prompt = """你是一个专业的QA提取专家。请分析以下聊天记录，提取或生成1-2个高质量的QA对。
                    规则：
                        1. 优先提取用户明确提出的问题及其对应的回答
                        2. 如果对话中没有明确的问题，根据讨论内容生成一个总结性问题
                        3. 答案必须基于聊天记录中的实际内容，不能编造
                        4. 如果某个问题在聊天记录中没有明确答案，则不生成QA
                        5. 最多生成2个QA对，优先选择最有价值的信息
                    例如：
                        聊天内容：[用户] 表明自己为准大学生，高考完，非在校大学生。询问线上课程价格是否为1800。[销售] 价格为11800
                        输出：{"question": "询问线上课程价格", "answer": "价格为11800"}
                    JSON规则（按优先级）：
                        1. 将中文引号 "" '' 替换为英文引号 "" ''
                        2. 删除所有注释（// 和 /* */）
                        3. 删除 markdown 代码块标记（```json ```）
                        4. 删除 JSON 前后多余的文本说明
                        5. 修复末尾多余的逗号（如 },] 或 },}）
                        6. 确保所有字符串用双引号包裹
                        7. 确保布尔值是小写的 true/false，null 是小写的
                        8. 如果键名没有引号，给键名加上双引号

                    只输出修复后的纯 JSON，不要任何解释、不要 markdown 标记、不要注释。
                    输出格式必须是JSON，不要任何解释、不要 markdown 标记、不要注释：
                    {
                        "qa_pairs": [
                            {"question": "...", "answer": "..."},
                            {"question": "...", "answer": "..."}
                        ]
                    }
                    
                    """
    current_qas_list = []

    logger.info(f"聊天内容：{chat_history}")
    total = await quality_check(chat_history)
    if total <= 75:
        return {"retry_count" : (retry_count+1)}
    # 调用LLM
    messages = [
        SystemMessage(content=system_prompt),
        HumanMessage(content=f"聊天记录：\n{chat_history}")
    ]

    chain = llm
    result = await chain.ainvoke(messages)
    try:
        res = json.loads(result.content)
        # 提取生成的问答对
        new_qa = res.get("qa_pairs", [])
    except Exception :
        new_qa = is_valid_json(result.content)  # 解析失败赋值字符串，后续调用 .get() 崩溃
    logger.info(f"生成QA内容：{new_qa}")
    current_qas_list.append(new_qa)
    return {"retry_count" : (retry_count+1), "current_qas": current_qas_list}

    # 创建一个校验json格式的函数
async def is_valid_json(json_str: str)->str:
    prompt = """你是一个 JSON 修复专家。请修复以下损坏的 JSON 文本，使其成为合法的标准 JSON。
            修复规则（按优先级）：
            1. 将中文引号 "" '' 替换为英文引号 "" ''
            2. 删除所有注释（// 和 /* */）
            3. 删除 markdown 代码块标记（```json ```）
            4. 删除 JSON 前后多余的文本说明
            5. 修复末尾多余的逗号（如 },] 或 },}）
            6. 确保所有字符串用双引号包裹
            7. 确保布尔值是小写的 true/false，null 是小写的
            8. 如果键名没有引号，给键名加上双引号

            只输出修复后的纯 JSON，不要任何解释、不要 markdown 标记、不要注释。

            待修复的 JSON：
            {input_json}
            """
    prompt = PromptTemplate(template=prompt, input_variables=["chat_history_text"])
    output = JsonOutputParser()
    chain = prompt | llm | output
    result = await chain.ainvoke({"input_json": json_str})
    return result