"""Agent 编排（T-07 骨架 / T-04 Tool 节点）：LangGraph StateGraph + DeepSeek 对话。

链路（FLOW §2）：tool（意图匹配→归属校验→只读查询→agent_tool_call 落库）
→ llm（DeepSeek，工具结果注入上下文）→ guard（合规护栏）。四 Agent 能力
边界（FLOW §4 与 MEMORY 禁止项）由 system prompt 固化：客户无投资建议/
收益承诺/自动下单；代理人草稿不外发；分析只读；风控辅助不自动处置。

Tool 节点（T-04）：一期关键词意图（tool_service.match_intent）仅对
customer/advisor 分支查 Core RO（持仓/流水/L0）；customer_id 由会话注入，
不来自 LLM。risk 分支四个风控 Tool 与 LLM intent 归 C1/C2（开发计划）。

LLM 未配置（DEEPSEEK_API_KEY 为空）时降级：回复携带 Tool 查询摘要
（演示链路不断且查询不白跑）；单测经 FakeLLM 注入，不依赖外网。

方案 C（SSE）：`stream_chat` 为流式入口——Tool 节点同步跑完后逐块产出
LLM 文本，落库由 api 层在收完 done 后统一写（断连整轮不落消息）。
免责判定抽 `needs_disclaimer`，首帧 meta 与落库文本共用同一口径。
"""

from __future__ import annotations

import threading
from collections.abc import Iterator
from typing import Annotated, Any, TypedDict

from langchain_core.messages import AIMessage, BaseMessage, HumanMessage, SystemMessage
from langgraph.graph import END, START, StateGraph
from operator import add

from app.config.settings import settings
from app.service import tool_service

# 客户/对外口径的固定免责声明（随回复文本尾部输出；G-08 阻断响应另有两要素）
CHAT_DISCLAIMER = "以上内容由 AI 生成，仅供业务参考，不构成投资建议。"

# LLM 未配置时的降级回复（明确标注非模型生成，演示链路不断）
_DEGRADED_PREFIX = "（LLM 未配置：请在 .env 设置 DEEPSEEK_API_KEY 后重启）"

# 四 Agent 能力边界 system prompt（FLOW §4；MEMORY 禁止项固化）
_SYSTEM_PROMPTS: dict[str, str] = {
    "customer": (
        "你是客户财富智能管家。仅服务当前登录客户本人；不得提供投资建议、"
        "收益承诺或自动下单；事实性数据须注明来源，无法回答时如实告知。"
    ),
    "advisor": (
        "你是代理人助手，服务理财顾问。仅可讨论名下客户（归属经平台校验）；"
        "生成的草稿内容不会自动外发给客户；引用数据须可溯源。"
    ),
    "analyst": (
        "你是数据分析助手。仅做只读查询与聚合分析，不写任何画像/预警/业务数据。"
    ),
    "risk": (
        "你是风控监测助手。可查询预警台账与客户监测信息，输出仅供参考，"
        "最终处置须经风控专员通过处置接口人工完成；不得自动处置预警。"
    ),
}


class ChatState(TypedDict):
    """对话图状态（messages 由各节点以 add 归并，避免覆盖历史）。

    T-04 Tool 上下文：session_id/trace_id 供 agent_tool_call 落库；actor 为
    api/chat 展开的鉴权字段（{actor_id, roles, token_type}）；customer_id 为
    会话绑定客户（归属校验后的值，Tool 查询主体恒取此处）。
    """

    agent_type: str
    history: list[dict]
    user_message: str
    messages: Annotated[list[BaseMessage], add]
    reply: str
    has_disclaimer: bool
    session_id: str | None
    trace_id: str | None
    actor: dict[str, Any] | None
    customer_id: str | None
    tool_results: list[dict]


def _compose_messages(state: ChatState) -> list[BaseMessage]:
    """system（角色边界）+ 工具结果（有则注入）+ 历史窗口 + 本轮用户消息。"""
    msgs: list[BaseMessage] = [
        SystemMessage(content=_SYSTEM_PROMPTS.get(state["agent_type"], _SYSTEM_PROMPTS["customer"]))
    ]
    tool_text = tool_service.context_text(state.get("tool_results") or [])
    if tool_text:
        msgs.append(SystemMessage(content=tool_text))
    for m in state["history"]:
        role = m.get("role")
        content = m.get("content", "")
        if role == "user":
            msgs.append(HumanMessage(content=content))
        elif role == "assistant":
            msgs.append(AIMessage(content=content))
    msgs.append(HumanMessage(content=state["user_message"]))
    return msgs


def tool_node(state: ChatState) -> dict[str, Any]:
    """Tool 节点（T-04 + C2）：意图匹配 → tool_service.run_tool（校验+落库）。

    守卫（C2 放宽）：会话与 actor 恒为必需；requires_customer=False 的 Tool
    （如 alert_query 全量待审）允许无绑定客户运行——否则 risk_officer 查
    "今天有多少待审预警"（A-6）会被 customer_id 空缺拦死。requires_customer
    为 True 的 Tool 仍需绑定客户（无则空转，由 run_tool 判
    TOOL_BLOCKED_NO_CUSTOMER）。
    """
    if not (state.get("session_id") and state.get("actor")):
        return {"tool_results": []}
    tool_name = tool_service.match_intent(state["agent_type"], state["user_message"])
    if tool_name is None:
        return {"tool_results": []}
    spec = tool_service.get_registered_tool(tool_name)
    if spec is None:
        return {"tool_results": []}
    if spec.get("requires_customer") and not state.get("customer_id"):
        return {"tool_results": []}
    # 带参 Tool（T21 知识库）：spec 白名单声明了 "query" → 由代码注入用户消息
    # （一期 tool_input 恒来自代码，不来自 LLM 输出，与 T-04 口径一致）
    whitelist = tuple(spec.get("param_whitelist") or ())
    tool_input = {"query": state["user_message"]} if "query" in whitelist else None
    record = tool_service.run_tool(
        tool_name=tool_name,
        agent_type=state["agent_type"],
        actor=state["actor"],
        customer_id=state.get("customer_id") or "",
        tool_input=tool_input,
        session_id=state["session_id"],
        trace_id=state.get("trace_id"),
    )
    return {"tool_results": [record]}


def _degraded_reply(state: ChatState) -> str:
    """无 LLM key 时的降级回复（T-04：查询不白跑，摘要直出）。"""
    summaries = [tool_service.summarize(r) for r in (state.get("tool_results") or [])]
    if summaries:
        return f"{_DEGRADED_PREFIX}\n" + "\n".join(summaries)
    return f"{_DEGRADED_PREFIX}已收到您的消息：{state['user_message']}"


def llm_node(state: ChatState) -> dict[str, Any]:
    """组装 messages 后调 LLM；未配置 key 时降级（不抛异常，演示链路不断）。

    降级回复携带 Tool 查询摘要（T-04：无 LLM 时查询不白跑，结果直出）。
    """
    messages = _compose_messages(state)
    if not settings.deepseek_api_key:
        reply = _degraded_reply(state)
        return {"messages": messages + [AIMessage(content=reply)], "reply": reply}
    llm = _get_llm()
    result = llm.invoke(messages)
    return {"messages": messages + [result], "reply": result.content}


def needs_disclaimer(agent_type: str) -> bool:
    """是否需附免责声明（与 guard_node 同口径，未知类型 fail-safe 按最严）。

    方案 C（SSE）：流式下声明无法再拼在尾部——首帧 meta 先下发声明文本供
    前端常驻，落库文本仍按 guard_node 口径拼尾部，两处判定共用此函数，
    避免"首帧说有、落库说无"的口径漂移。
    """
    return agent_type in ("customer", "risk") or agent_type not in _SYSTEM_PROMPTS


def guard_node(state: ChatState) -> dict[str, Any]:
    """合规护栏：对外角色（customer/risk，未知类型 fail-safe 按最严口径）附免责声明。"""
    if needs_disclaimer(state["agent_type"]):
        return {"reply": f"{state['reply']}\n\n{CHAT_DISCLAIMER}", "has_disclaimer": True}
    return {"has_disclaimer": False}


def build_graph():
    """StateGraph：START → tool → llm → guard → END（T-04 接入 Tool 节点）。"""
    graph = StateGraph(ChatState)
    graph.add_node("tool", tool_node)
    graph.add_node("llm", llm_node)
    graph.add_node("guard", guard_node)
    graph.add_edge(START, "tool")
    graph.add_edge("tool", "llm")
    graph.add_edge("llm", "guard")
    graph.add_edge("guard", END)
    return graph.compile()


_graph = None
_graph_lock = threading.Lock()
_llm: Any | None = None
_llm_lock = threading.Lock()


def _get_graph():
    global _graph
    with _graph_lock:
        if _graph is None:
            _graph = build_graph()
        return _graph


def _get_llm() -> Any:
    """DeepSeek 经 langchain-openai 兼容接口（懒构造加锁；测试注入 _llm）。"""
    global _llm
    with _llm_lock:
        if _llm is None:
            from langchain_openai import ChatOpenAI

            _llm = ChatOpenAI(
                model="deepseek-chat",
                api_key=settings.deepseek_api_key,
                base_url=settings.deepseek_base_url,
                temperature=0.3,
            )
        return _llm


def _base_state(
    agent_type: str,
    history: list[dict],
    user_message: str,
    *,
    session_id: str | None,
    trace_id: str | None,
    actor: dict[str, Any] | None,
    customer_id: str | None,
) -> ChatState:
    """图初始状态（chat 与 stream_chat 共用；Tool 上下文一致）。"""
    return {
        "agent_type": agent_type,
        "history": history,
        "user_message": user_message,
        "messages": [],
        "reply": "",
        "has_disclaimer": False,
        "session_id": session_id,
        "trace_id": trace_id,
        "actor": actor,
        "customer_id": customer_id,
        "tool_results": [],
    }


def chat(
    agent_type: str,
    history: list[dict],
    user_message: str,
    *,
    session_id: str | None = None,
    trace_id: str | None = None,
    actor: dict[str, Any] | None = None,
    customer_id: str | None = None,
) -> dict[str, Any]:
    """对话入口（T-06 api/chat 调用）：返回 {reply, has_disclaimer}。

    T-04：session 上下文（session_id/trace_id/actor/customer_id）可选传入；
    缺省时 Tool 节点空转（既有用例与纯闲聊不受影响）。
    """
    final = _get_graph().invoke(
        _base_state(
            agent_type,
            history,
            user_message,
            session_id=session_id,
            trace_id=trace_id,
            actor=actor,
            customer_id=customer_id,
        )
    )
    return {
        "reply": final["reply"],
        "has_disclaimer": final["has_disclaimer"],
        "tool_results": final.get("tool_results") or [],
    }


def stream_chat(
    agent_type: str,
    history: list[dict],
    user_message: str,
    *,
    session_id: str | None = None,
    trace_id: str | None = None,
    actor: dict[str, Any] | None = None,
    customer_id: str | None = None,
) -> Iterator[tuple[str, str]]:
    """流式对话（方案 C）：yield ("delta", 文本块)... → ("done", 完整正文)。

    与 chat() 同口径：Tool 节点先同步跑完（落 agent_tool_call + 结果注入
    上下文），再推 LLM 文本——Tool 不流式，因为要留痕且结果是 LLM 输入。
    未配置 key 时降级整块输出（契约不变，前端无需特判）。

    **落库由调用方（api/chat）在收完 done 后统一写**：中途异常/客户端断连
    → 整轮消息不落（Tool 留痕已落，可审计），不产生半截内容污染历史窗口。
    异常上抛由路由层转 SSE error 事件，保证前端拿到的是结构化错误而非
    断流。
    """
    state = _base_state(
        agent_type,
        history,
        user_message,
        session_id=session_id,
        trace_id=trace_id,
        actor=actor,
        customer_id=customer_id,
    )
    state["tool_results"] = tool_node(state).get("tool_results") or []
    messages = _compose_messages(state)
    if not settings.deepseek_api_key:
        reply = _degraded_reply(state)
        yield ("delta", reply)
        yield ("done", reply)
        return
    llm = _get_llm()
    buf: list[str] = []
    for chunk in llm.stream(messages):  # DeepSeek / OpenAI 兼容：逐 chunk 文本
        text = getattr(chunk, "content", None) or ""
        if text:
            buf.append(text)
            yield ("delta", text)
    yield ("done", "".join(buf))


def reset_cache() -> None:
    """测试隔离出口：清空图与 LLM 单例缓存。"""
    global _graph, _llm
    with _graph_lock:
        _graph = None
        _llm = None