"""
distiller.py — S-SESTO-SENSO-V2: Memory Cognitive Compressive.
Sintetizza i log grezzi delle sessioni in lezioni apprese e concetti chiave.

C1-FIX (2026-07-01): chiamata LLM reale implementata — il distillatore produceva
solo placeholder vuoto (lessons: [], patterns: [], facts: []) invece di estrarre
conoscenza reale. Ora chiama ai_client quando disponibile; fallback euristico
se il client è None o se la chiamata fallisce.
"""
import logging
import json
import re
from typing import List, Dict, Any, Optional
from datetime import datetime, timezone

_logger = logging.getLogger("agente_ai.memory.distiller")

_DISTILL_SYSTEM = (
    "Sei un Memory Distiller per un agente AI avanzato. "
    "Analizza la sessione e restituisci SOLO un oggetto JSON valido, "
    "senza markdown, senza spiegazioni. Formato esatto:\n"
    '{"lessons":["..."],"patterns":["..."],"facts":["..."],'
    '"completed":true|false,"completion_note":"..."}'
)

def _build_distill_prompt(goal: str, cleaned_msgs: List[Dict]) -> str:
    transcript = "\n".join(
        f"[{m['role'].upper()}] {m['content'][:300]}" for m in cleaned_msgs[-20:]
    )
    return (
        f"OBIETTIVO: {goal}\n\n"
        f"TRASCRIZIONE (ultimi {len(cleaned_msgs[-20:])} messaggi):\n{transcript}\n\n"
        "Estrai lessons (errori + soluzioni), patterns (architetture fragili o ricorrenti), "
        "facts (info tecniche stabili). Rispondi SOLO con il JSON."
    )

def _heuristic_distill(messages: List[Dict], goal: str) -> Dict[str, Any]:
    """Fallback euristico — estrae pattern semplici dal testo."""
    errors_found = []
    facts_found  = []
    combined = " ".join(m.get("content", "") for m in messages).lower()
    if "errore" in combined or "error" in combined or "exception" in combined:
        errors_found.append("Errori rilevati nella sessione — dettagli nel transcript.")
    if "completato" in combined or "done" in combined or "success" in combined:
        facts_found.append("Task marcato come completato nel transcript.")
    return {
        "timestamp":       datetime.now(timezone.utc).isoformat(),
        "goal":            goal,
        "message_count":   len(messages),
        "lessons":         errors_found,
        "patterns":        [],
        "facts":           facts_found,
        "completed":       "completato" in combined or "done" in combined,
        "completion_note": "Distillazione euristica (LLM non disponibile).",
        "source":          "heuristic",
    }

class MemoryDistiller:
    def __init__(self, ai_client=None):
        self.ai_client = ai_client

    async def distill_session(self, messages: List[Dict[str, Any]], goal: str) -> Dict[str, Any]:
        """
        C1-FIX: chiama l'LLM reale per estrarre lezioni/pattern/fatti.
        Fallback euristico se ai_client è None o la chiamata fallisce.
        """
        if not messages:
            return {}

        # 1. Pre-processing: tronca contenuti pesanti
        cleaned_msgs = []
        for msg in messages:
            content = msg.get("content", "")
            if len(content) > 2000:
                content = content[:1000] + "... [TRUNCATED] ..." + content[-400:]
            cleaned_msgs.append({"role": msg.get("role", "user"), "content": content})

        # 2. Tentativo LLM reale
        if self.ai_client is not None:
            try:
                result = await self._distill_with_llm(cleaned_msgs, goal)
                if result:
                    return result
            except Exception as e:
                _logger.warning("[Distiller] LLM call failed (%s) — fallback euristico", e)

        # 3. Fallback euristico
        return _heuristic_distill(cleaned_msgs, goal)

    async def _distill_with_llm(
        self, cleaned_msgs: List[Dict], goal: str
    ) -> Optional[Dict[str, Any]]:
        """Chiamata LLM reale via ai_client (qualsiasi provider con interfaccia openai-compat)."""
        prompt = _build_distill_prompt(goal, cleaned_msgs)
        response = await self.ai_client.chat.completions.create(
            model=getattr(self.ai_client, "_distill_model", "llama-3.1-8b-instant"),
            messages=[
                {"role": "system", "content": _DISTILL_SYSTEM},
                {"role": "user",   "content": prompt},
            ],
            max_tokens=600,
            temperature=0.1,
        )
        raw = response.choices[0].message.content or ""
        # Estrai JSON dalla risposta (può avere testo attorno)
        match = re.search(r"\{[\s\S]*\}", raw)
        if not match:
            _logger.warning("[Distiller] risposta LLM non contiene JSON valido: %.100s", raw)
            return None
        parsed = json.loads(match.group(0))
        parsed.setdefault("timestamp",    datetime.now(timezone.utc).isoformat())
        parsed.setdefault("goal",         goal)
        parsed.setdefault("message_count", len(cleaned_msgs))
        parsed["source"] = "llm"
        _logger.info(
            "[Distiller] distillazione LLM completata: %d lessons, %d facts | goal: %.50s",
            len(parsed.get("lessons", [])), len(parsed.get("facts", [])), goal,
        )
        return parsed

    def compress_for_long_term(self, distilled_data: Dict[str, Any]) -> str:
        """Converte i dati distillati in stringa ottimizzata per pgvector/semantic memory."""
        return json.dumps(distilled_data, ensure_ascii=False)