backend/endpoints/grants.py

from fastapi import APIRouter, Depends, HTTPException
from core.search.grant_search_service import grant_search_service
import asyncio
import json
from pydantic import BaseModel, Field
from endpoints.projects import get_db
from core.projects.models import Project
from core.subscription.middleware import verify_token
from core.llm_router import get_llm
from langchain_core.prompts import PromptTemplate
from typing import List
import logging

logger = logging.getLogger(__name__)

router = APIRouter(prefix="/api/grants", tags=["grants"])

@router.get("/nabory")
async def get_nabory(force_refresh: bool = False):
    """
    Pobiera listę aktualnych naborów dla programów z PARP i NCBR.
    Łączy wyniki z obu instytucji w jedną ujednoliconą listę.
    Dodatkowo weryfikuje bazę prawną przez integrację z EUR-Lex.
    """
    try:
        nabory = await grant_search_service.get_all_grants(force_refresh=force_refresh)
    except Exception as e:
        logger.error(f"Error fetching grants: {e}")
        nabory = []

    # Sortuj rosnąco po dacie deadline (najbliższe najpierw)
    # deadline może być w formacie YYYY-MM-DD
    def get_deadline(item):
        d = item.get("deadline")
        return d if d else "9999-12-31"

    nabory.sort(key=get_deadline)
    # Wyczyść sztuczny deadline przed wysłaniem na frontend
    for item in nabory:
        if item.get("deadline") == "9999-12-31":
            item["deadline"] = ""

    return {
        "status": "ok",
        "count": len(nabory),
        "nabory": nabory
    }

class GrantMatchResult(BaseModel):
    program_id: str = Field(description="Identyfikator naboru z dostarczonej listy")
    program_name: str = Field(description="Nazwa programu")
    score: int = Field(description="Ocena dopasowania w skali 0-100 na podstawie opisu projektu")
    rationale: str = Field(description="Krótkie uzasadnienie (do 3 zdań) dlaczego program pasuje lub nie pasuje do projektu")
    is_recommended: bool = Field(description="Czy program jest rekomendowany (przyznaj True jeśli score >= 70)")
    requires_verification: bool = Field(default=False, description="Ustaw na True, jeśli wniosek wymaga weryfikacji manualnej, np. z powodu niepewnego statusu MŚP, słabego wyniku (score < 85) lub niepewnej kwalifikowalności.")
    source: str = Field(default="N/A", description="Źródło informacji o naborze (np. parp_verified_fallback), przepisz z dostarczonych wytycznych.")
    legal_basis: str = Field(default="N/A", description="Podstawa prawna / regulamin naboru, przepisz z dostarczonych wytycznych.")
    confidence_score: int = Field(default=0, description="Ocena pewności sztucznej inteligencji co do tego dopasowania (0-100).")

class AdvancedMatchResponseData(BaseModel):
    needs_more_info: bool = Field(description="True, jeśli brakuje kluczowych informacji do rzetelnej oceny dopasowania (np. status MŚP, obszar B+R, itp.)")
    clarifying_questions: List[str] = Field(description="Maksymalnie 3 najważniejsze pytania doprecyzowujące do użytkownika (jeśli needs_more_info to True)")
    matches: List[GrantMatchResult] = Field(description="Lista dopasowań (jeśli needs_more_info to False)")

class UserAnswer(BaseModel):
    question: str
    answer: str

class MatchRequest(BaseModel):
    project_id: str
    user_answers: List[UserAnswer] = []

class SearchRequest(BaseModel):
    query: str
    filters: dict = {}

@router.post("/search")
async def search_grants_api(request: SearchRequest):
    """
    Wyszukuje nabory na podstawie zapytania tekstowego i filtrów (używając nowego Search Engine).
    """
    try:
        results = await grant_search_service.search_grants(request.query, request.filters)
        return {"status": "ok", "count": len(results), "grants": results}
    except Exception as e:
        logger.error(f"Error in search_grants_api: {e}")
        raise HTTPException(status_code=500, detail="Błąd wyszukiwania naborów")

@router.post("/match")
async def match_grants(
    request: MatchRequest,
    token_data: dict = Depends(verify_token),
    db = Depends(get_db)
):
    """
    AI-driven zaawansowane dopasowanie programów dotacyjnych dla projektu.
    Działa wieloetapowo: dopytuje o szczegóły lub zwraca listę rekomendacji.
    """
    clerk_id = token_data.get("sub")
    project = db.query(Project).filter(Project.id == request.project_id, Project.clerk_user_id == clerk_id).first()
    if not project:
        raise HTTPException(status_code=404, detail="Projekt nie istnieje lub brak dostępu")

    try:
        # Pobieramy najnowsze nabory
        nabory_resp = await get_nabory(force_refresh=False)
        nabory_list = nabory_resp.get("nabory", [])

        if not nabory_list:
            return {"status": "ok", "project_id": request.project_id, "needs_more_info": False, "clarifying_questions": [], "matches": []}

        # 1. Weryfikacja MŚP (GraphRAG / Neo4j)
        nip = project.external_context.get("nip", "") if project.external_context else ""
        sme_data = None
        if nip:
            try:
                from core.graph_rag.sme_verifier import sme_verifier
                declared_status = project.external_context.get("declared_sme_status", "mikro")
                sme_data = sme_verifier.verify_sme_status(nip=nip, declared_status=declared_status)
            except Exception as e:
                logger.warning(f"SME verifier error: {e}")

        sme_context = "Brak zweryfikowanego statusu MŚP (GraphRAG nie został wykonany)."
        if sme_data:
            sme_context = (
                f"Zadeklarowany NIP: {nip}\n"
                f"Wyliczony status z powiązań (GraphRAG): {sme_data.get('calculated_status')}\n"
                f"Czy status poprawny?: {sme_data.get('is_status_valid')}\n"
                f"Uzasadnienie: {sme_data.get('reasoning')}"
            )

        # 2. RAG Retrieval dla odpowiednich naborów
        try:
            from rag_pipeline.vector_store import get_parent_document_retriever
            retriever = get_parent_document_retriever(namespace="grants_guidelines")
        except Exception as e:
            logger.warning(f"RAG init error: {e}")
            retriever = None
        
        rag_context_docs = []
        if retriever:
            query_text = f"{project.title} {project.description}"
            try:
                rag_context_docs = retriever.invoke(query_text)
            except Exception as e:
                logger.warning(f"RAG retrieval error: {e}")

        nabory_context = "Brak szczegółów z RAG."
        if rag_context_docs:
            docs_text = [f"--- DOKUMENT ---\n{doc.page_content}" for doc in rag_context_docs]
            nabory_context = "\n".join(docs_text)
        else:
            simplified_nabory = []
            for n in nabory_list:
                desc = n.get('description', '')[:300] if n.get('description') else "Brak szczegółów"
                src = n.get('source', 'N/A')
                legal = n.get('legal_source', 'N/A')
                prog = f"{n.get('program', '')} - {n.get('name', 'N/A')}"
                simplified_nabory.append(f"- ID: {n.get('id', 'N/A')} | Program: {prog} | Źródło: {src} | Podstawa prawna: {legal} | Cel/Opis: {desc}")
            nabory_context = "\n".join(simplified_nabory)

        answers_context = "Brak dodatkowych odpowiedzi."
        if request.user_answers:
            answers_context = "\n".join([f"Q: {qa.question}\nA: {qa.answer}" for qa in request.user_answers])

        system_prompt = """Jesteś ekspertem ds. funduszy UE i krajowych (PARP, NCBR).
Zgodnie z Zasadą 1.2 (Prawda i Dokładność) oraz 4.3 (Status MŚP): Zawsze sprawdzaj kwalifikowalność rygorystycznie.
Jeśli cokolwiek wymaga weryfikacji, zgłoś to i nie zakładaj optymistycznego scenariusza w ciemno.

PROJEKT UŻYTKOWNIKA:
Tytuł: {title}
Opis: {description}
Wartość: {value}
Dodatkowy kontekst z systemu: {extra_context}

WERYFIKACJA MŚP (GraphRAG):
{sme_context}

ODPOWIEDZI UŻYTKOWNIKA (DOPRECYZOWANIE):
{answers_context}

ZWRÓCONE PRZEZ RAG WYTYCZNE DOTYCZĄCE NABORÓW (Regulaminy):
{nabory_context}

INSTRUKCJA:
1. Twoim zadaniem jest zarekomendowanie najbardziej pasujących programów na podstawie dostarczonych WYTYCZNYCH Z RAG lub fallbacku.
2. Weź pod uwagę wynik Weryfikacji MŚP. Jeśli status MŚP jest niezgodny z wymaganiami naboru, odrzuć program lub wyraźnie to zaznacz.
3. TWARDA REGUŁA PKD: Jeśli w 'Dodatkowym kontekście z systemu' widzisz wyekstrahowane kody PKD (np. 62.01.Z), musisz bezwzględnie dopasować do nich branżę. Z góry odrzucaj z rekomendacji programy, które przeznaczone są dla innych branż (np. rolnictwo, produkcja vs usługi IT). Jeśli kody PKD są wielobranżowe (wskazują na różnorodne działalności), poproś użytkownika o wskazanie, która z tych działalności będzie głównym przedmiotem projektu.
4. Obowiązkowo uzupełnij pole `source` i `legal_basis` na podstawie podanych danych (jako mechanizm anti-hallucination). Ustal również `confidence_score` oceniając stopień dopasowania. Pamiętaj: Przy `confidence_score` (lub po prostu `score`) < 85%, obowiązkowo oznacz pole `requires_verification` jako True.
5. Jeśli z powyższych informacji NIE WYNIKAJĄ kluczowe dla naborów dane, ustaw `needs_more_info=True` i wygeneruj do 3 konkretnych pytań w `clarifying_questions`.
6. Jeśli masz wystarczająco dużo informacji LUB użytkownik już odpowiedział na pytania, ustaw `needs_more_info=False` i zwróć tablicę `matches`. Zignoruj całkiem niepasujące programy.
"""

        prompt = PromptTemplate.from_template(system_prompt)
        llm = get_llm(task_type="critical")
        chain = prompt | llm.with_structured_output(AdvancedMatchResponseData)

        result = chain.invoke({
            "title": project.title,
            "description": project.description or "Brak opisu",
            "value": str(project.estimated_value) + " PLN" if project.estimated_value else "Nieznana",
            "extra_context": json.dumps(project.external_context, ensure_ascii=False) if project.external_context else "Brak",
            "answers_context": answers_context,
            "nabory_context": nabory_context,
            "sme_context": sme_context
        })
        
        if not result.needs_more_info:
            for match in result.matches:
                if match.score < 85 or match.confidence_score < 85:
                    match.requires_verification = True

        if not result.needs_more_info:
            external_context = project.external_context or {}
            external_context["ai_matches"] = [m.model_dump() for m in result.matches]
            if request.user_answers:
                external_context["ai_matches_qa_history"] = [qa.model_dump() for qa in request.user_answers]
            project.external_context = external_context
            db.commit()

        return {
            "status": "ok",
            "project_id": request.project_id,
            "needs_more_info": result.needs_more_info,
            "clarifying_questions": result.clarifying_questions,
            "matches": [m.model_dump() for m in result.matches]
        }
    except Exception as e:
        logger.error(f"Error in match_grants for project {request.project_id}: {e}", exc_info=True)
        return {"status": "error", "detail": f"Błąd generowania dopasowań przez AI: {str(e)}", "needs_more_info": False, "clarifying_questions": [], "matches": []}