from typing import Dict, Any
from langchain_core.messages import AIMessage
from core.llm_router import get_llm
from schemas import AgentState


def document_gap_analyzer_node(state: AgentState) -> Dict[str, Any]:
    """
    Analizuje załączniki i profil, by precyzyjnie wykazać braki we frameworku dotacyjnym
    Zwraca listę braków, np. brak KPI, brak wskaźników ROI itp.
    """
    llm = get_llm(task_type="standard")

    # Simple simulation check
    if state.profile and state.profile.financials:
        prompt_context = f"Dane finansowe podane: {state.profile.financials}"
    else:
        prompt_context = "Brak danych finansowych w systemie."

    prompt = f"""
    Jesteś Document Gap Analyzerem. Spójrz na zebrane dane o firmie i odpowiedz czego dokładnie brakuje, 
    aby wniosek dotacyjny zyskał wysokie szanse.
    Zwróć odpowiedź w liście wypunktowanej. PISZ ZAWSZE I WYŁĄCZNIE W JĘZYKU POLSKIM.
    
    Kontekst:
    {prompt_context}
    """

    response = llm.invoke(prompt)

    from core.utils import safe_extract_text

    gap_result = safe_extract_text(response.content)

    return {
        "messages": [
            AIMessage(
                content=f"[GAP ANALYZER] Znalazłem następujące braki:\n{gap_result}"
            )
        ],
        "current_agent": "supervisor",
    }