import logging
import os
from typing import Optional, Dict

from langchain_core.messages import SystemMessage, HumanMessage
from core.llm_router import get_llm

try:
    from tools.web_search import general_web_search
except ImportError:
    from backend.tools.web_search import general_web_search

logger = logging.getLogger(__name__)

class ResearchAgent:
    """
    Sub-Agent badawczy Projektu TITAN.
    Zadaniem tego agenta jest przeszukiwanie sieci (OSINT / Web Search)
    oraz interpretacja wyników w przypadku braku danych w dokumencie.
    Zastępuje człowieka w trybie pełnej automatyzacji, znacznie zwiększając skuteczność.
    """
    
    def __init__(self):
        # Inicjalizacja LLM dla analizy wyników badawczych.
        self.llm = get_llm(task_type="creative") # Używamy creative/standard

    def deep_search(self, query: str, context: str) -> str:
        """
        Głębokie poszukiwanie danych w zewnętrznych bazach i sieci,
        oraz ich synteza przy użyciu LLM.
        """
        logger.info(f"🔎 [Research Agent TITAN] Rozpoczęto głębokie wyszukiwanie dla: {query}")
        
        # 1. Wykonanie rzeczywistego wyszukiwania w sieci
        search_results = general_web_search(query)
        
        # 2. Jeśli nie znaleziono lub brak klucza, zwracamy stosowną informację,
        #    ale możemy spróbować odpowiedzieć z wiedzy LLM z uwzględnieniem kontekstu.
        if "Błąd" in search_results or "Brak klucza" in search_results:
            logger.warning(f"[Research Agent TITAN] Problem z wyszukiwarką: {search_results}")
            search_context = "Nie udało się pobrać aktualnych danych z sieci z powodu braku dostępu do API wyszukiwania."
        else:
            search_context = f"Wyniki wyszukiwania:\n{search_results}"

        system_prompt = (
            "Jesteś zaawansowanym Agentem Badawczym OSINT. Twoim zadaniem jest dostarczenie "
            "wyczerpujących i merytorycznych informacji na podstawie podanego kontekstu projektu "
            "oraz wyników wyszukiwania z sieci.\n\n"
            "Zasady:\n"
            "1. Twoim celem jest odpowiedź na brakujące zapytanie (pytanie o brakujące dane).\n"
            "2. Wykorzystaj informacje z 'Wyników wyszukiwania', jeśli są dostępne.\n"
            "3. Oprzyj się na 'Kontekście projektu', aby odpowiedź była dopasowana do specyfiki firmy i projektu.\n"
            "4. Jeśli z danych sieciowych i kontekstu nie da się jednoznacznie określić faktów (np. precyzyjnego przychodu małej firmy), "
            "zaproponuj profesjonalne i wiarygodne oszacowanie lub standardowe dla branży wartości rynkowe i zaznacz, że to szacunek, "
            "aby wniosek dotacyjny mógł zostać wygenerowany jako pełny szkic (użyj znaczników np. [SZACOWANY_PRZYCHÓD: 1.5 mln PLN]).\n"
            "5. Pisz wyłącznie w języku polskim, stylem profesjonalnym, odpowiednim do wniosków unijnych i biznesplanów."
        )

        human_content = f"Pytanie o brakujące dane: {query}\n\nKontekst projektu:\n{context}\n\n{search_context}"

        try:
            response = self.llm.invoke([
                SystemMessage(content=system_prompt),
                HumanMessage(content=human_content)
            ])
            
            final_answer = response.content if hasattr(response, 'content') else str(response)
            logger.info("[Research Agent TITAN] Zakończono syntezę wyników badawczych.")
            return final_answer
        except Exception as e:
            logger.error(f"[Research Agent TITAN] Błąd generowania odpowiedzi przez LLM: {e}")
            return f"Nie udało się wygenerować odpowiedzi analitycznej na temat: {query}. Spróbuj użyć [BRAK DANYCH]."

research_agent = ResearchAgent()