backend/simulate_429_autofix.py

import sys
import os
import time
import asyncio
from unittest.mock import patch, MagicMock

sys.path.append(os.path.dirname(os.path.abspath(__file__)))

from endpoints.projects import autofix_project_section
from fastapi import HTTPException


# Mock klas
class DummyProject:
    id = "proj_1"
    clerk_user_id = "clerk_123"
    title = "Projekt Testowy"
    program_type = "SMART"
    final_document_audit_result = {
        "issues": [
            {
                "affected_section": "Ogólne",
                "severity": "high",
                "category": "logic",
                "message": "Brak spójności",
                "recommendation": "Popraw spójność",
            }
        ]
    }
    external_context = {}


class DummySection:
    id = "sec_1"
    project_id = "proj_1"
    section_type = "project_summary"
    content = "Oryginalna treść sekcji."


class DummyQuery:
    def __init__(self, model):
        self.model = model

    def filter(self, *args, **kwargs):
        return self

    def join(self, *args, **kwargs):
        return self

    def first(self):
        if hasattr(self.model, "__name__"):
            if self.model.__name__ == "Project":
                return DummyProject()
            elif self.model.__name__ == "ProjectSection":
                return DummySection()
        return None

    def all(self):
        return []


class DummyDB:
    def query(self, model, *args, **kwargs):
        return DummyQuery(model)

    def add(self, obj):
        pass

    def commit(self):
        pass

    def refresh(self, obj):
        pass


def run_simulation():
    print("==================================================")
    print("[SYMULACJA] BŁĘDÓW 429 (RATE LIMIT) LLM W AUTOFIX")
    print("==================================================")

    db = DummyDB()

    call_count = 0

    # Mock dla metody invoke w łańcuchu LangChain
    def mock_chain_invoke(*args, **kwargs):
        nonlocal call_count
        call_count += 1
        print(f"\n[LLM Request] Próba nr {call_count}...")

        if call_count < 3:
            print(
                "[LLM Error] Symulowanie bledu: 429 ResourceExhausted (Przekroczono limit Quota)"
            )
            # Rzucamy wyjątek, który backend normalnie by dostał od Google API
            raise Exception("429 ResourceExhausted: Quota exceeded for AI")

        print("[LLM Success] Zwracanie poprawnej odpowiedzi na 3. probie!")
        mock_response = MagicMock()
        mock_response.content = (
            "Zaktualizowana i poprawiona treść sekcji z uwzględnieniem audytu."
        )
        return mock_response

    # Ponieważ 'chain' jest tworzony wewnątrz funkcji, zrobimy patch na PromptTemplate.__or__
    # albo bezpośrednio na klasie RunnableSequence
    with patch("endpoints.projects.get_llm") as mock_get_llm:
        # Konstruujemy mockowany LLM
        mock_llm = MagicMock()
        mock_get_llm.return_value = mock_llm

        # Zamiast patchować '|' (or), po prostu zrobimy patch na chain.invoke
        # w Pythonie możemy użyć mocka na całej klasie PromptTemplate, ale łatwiej patchować llm

        # Mockujemy zachowanie łańcucha prompt | llm
        # W Langchain operator | tworzy RunnableSequence. Mockujemy zachowanie invoke na wyniku
        with patch(
            "endpoints.projects.PromptTemplate.from_template"
        ) as mock_from_template:
            mock_prompt = MagicMock()
            mock_from_template.return_value = mock_prompt

            mock_chain = MagicMock()
            mock_chain.invoke.side_effect = mock_chain_invoke

            mock_prompt.__or__.return_value = mock_chain

            # Należy też zmockować ProjectSectionVersion
            with patch("endpoints.projects.ProjectSectionVersion"):
                try:
                    start_time = time.time()
                    # Nowa sygnatura funkcji
                    result = asyncio.run(
                        autofix_project_section(
                            project_id="proj_1",
                            section_id="sec_1",
                            token_data={"sub": "clerk_123"},
                            db=db,
                        )
                    )
                    end_time = time.time()

                    print("\n==================================================")
                    print("[WYNIK SYMULACJI]")
                    print("Status: SUKCES (Udało się przetrwać błędy 429!)")
                    print(
                        f"Całkowity czas wykonania: {end_time - start_time:.2f} sekund"
                    )
                    print(f"Zwrócony tekst:\n{result.content}")
                    print("==================================================")
                except HTTPException as e:
                    print(
                        f"\n[Frontend Error] Funkcja rzucila HTTP 429 do Frontendu po wyczerpaniu limitu prob: {e.detail}"
                    )


if __name__ == "__main__":
    run_simulation()