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


def risk_scoring_node(state: AgentState) -> Dict[str, Any]:
    """
    Symuluje punktację komisji, nadając punkty od 0 do 100 oraz identyfikuje
    pięć głównych ryzyk dla sukcesu projektu inwestycyjnego.
    """
    llm = get_llm(task_type="critical", structured_output_schema=RiskScoreOutput)

    profile_dump = (
        state.profile.model_dump() if state.profile else "Brak danych profilu"
    )

    prompt = f"""
    Na podstawie profilu firmy przydziel jej hipotetyczną ocenę projektową 0-100 dla szans na uzyskanie dotacji UE.
    Następnie wypunktuj DOKŁADNIE 5 RYZYK, które obniżają tę ocenę (np. słabe wyniki finansowe, brak innowacji).
    
    Profil: {profile_dump}
    """

    try:
        response = llm.invoke(prompt)

        # Zapis w state.risk_score (dodane w nowej wersji)
        risk_score_update = {"score": response.score, "risks": response.risks}
        score_text = f"WYNIK: {response.score}/100\nRYZYKA:\n" + "\n".join(
            [f"{i+1}. {r}" for i, r in enumerate(response.risks)]
        )

        # Opcjonalny zapis wstecznej zgodności z Blackboard
        blackboard_update = state.blackboard or {}
        blackboard_update["last_risk_score"] = score_text

        return {
            "messages": [AIMessage(content=score_text)],
            "risk_score": risk_score_update,
            "blackboard": blackboard_update,
            "current_agent": "supervisor",
        }
    except Exception as e:
        print(f"Błąd risk scoring: {e}")
        return {"current_agent": "supervisor"}