import json
from .models import InterviewSession, QuestionResponse, EvaluationCategory, EvaluationResult
from .llm_router import chat_completion
from .engine import engine  # el Qdrant de openrag/engine original ya instanciado

# ponytail: prompt por defecto si no hay uno configurado
DEFAULT_PROMPT = """Eres un evaluador senior de admisiones universitarias (ITCA-FEPADE).
Analiza las respuestas de la entrevista del candidato.
Contexto técnico adicional (Knowledge Base): {context}

Evalúa la categoría: {category} ({description})

Respuestas del candidato:
{transcriptions}

Devuelve un JSON estricto con:
{
  "score": <numero de 0 a 100>,
  "feedback": "<texto breve de por qué este score y recomendación>"
}
"""

def evaluate_session(session_id):
    import os
    from django.conf import settings
    from .transcription_engine import transcribe_audio_file
    from .models import TranscriptionProviderConfig, SystemPromptConfig

    session = InterviewSession.objects.get(id=session_id)
    responses = QuestionResponse.objects.filter(session=session).order_by('question_index')
    
    if not responses.exists():
        return
        
    # Re-transcribir si hay audio guardado usando el modelo activo
    provider_config = TranscriptionProviderConfig.objects.filter(is_active=True).first()
    provider = provider_config.provider_type if provider_config else "whisper_local"

    transcriptions_text = ""
    for r in responses:
        audio_path = os.path.join(settings.MEDIA_ROOT, f"answers/session_{session_id}_{r.question_index}.webm")
        if os.path.exists(audio_path):
            try:
                text, _, _ = transcribe_audio_file(audio_path, provider_type=provider)
                if text:
                    r.transcription = text
                    r.save()
            except Exception as e:
                print(f"Error re-transcribing {audio_path}: {e}")
                
        transcriptions_text += f"Pregunta: {r.question_text}\nRespuesta: {r.transcription}\n\n"
        
    # Extraer contexto de Qdrant
    try:
        vector = engine.model.encode([transcriptions_text[:512]])[0].tolist()
        if engine.qdrant_client:
            response = engine.qdrant_client.query_points(
                collection_name="knowledge_base",
                query=vector,
                limit=3
            )
            hits = response.points
            context = "\n".join([hit.payload.get("text", "") for hit in hits])
        else:
            context = "Sin contexto adicional de la base de conocimiento (Qdrant client unavailable)."
    except Exception as e:
        context = "Sin contexto adicional de la base de conocimiento."

    categories = EvaluationCategory.objects.filter(active=True)
    global_config = SystemPromptConfig.objects.first()
    system_prompt_text = global_config.prompt_text if global_config else "Eres un evaluador de admisiones."

    categories_list = "\n".join([f"- {cat.name}: {cat.description}" for cat in categories])

    EVAL_PROMPT = f"""{system_prompt_text}

Contexto técnico adicional (Knowledge Base): {context}

Debes evaluar al candidato en las siguientes categorías (Habilidades):
{categories_list}

Respuestas del candidato:
{transcriptions_text}

Basado en las respuestas del candidato, evalúa cada categoría con un score de 0 a 100 y un feedback.
Además, extrae EXACTAMENTE 7 rasgos clave sobre su desempeño (ej. 'Lógica', 'Comunicación', 'Resolución').
El nombre del rasgo debe ser de una o máximo dos palabras, y con score de 0 a 100.
Genera un breve párrafo de 'Notas del Entrevistador' (resumen de la entrevista) y un párrafo de 'Recomendación HR'.

Devuelve UNICAMENTE un objeto JSON estricto con el siguiente formato:
{{
  "categories": [
    {{"name": "nombre de categoria", "score": 90, "feedback": "texto"}}
  ],
  "traits": [
    {{"name": "Lógica", "score": 90}}
  ],
  "interviewer_notes": "Candidato demostró...",
  "hr_recommendation": "Altamente recomendado..."
}}
"""
    try:
        response = chat_completion([
            {"role": "system", "content": "Eres un analista que solo devuelve JSON puro y procesa el prompt del usuario."},
            {"role": "user", "content": EVAL_PROMPT}
        ])
        content = response.choices[0].message.content
        if content.startswith("```json"):
            content = content[7:-3]
        elif content.startswith("```"):
            content = content[3:-3]
        
        data = json.loads(content)
        
        total_score = 0
        total_weight = 0
        
        for cat_data in data.get("categories", []):
            cat_name = cat_data.get("name")
            cat_obj = categories.filter(name__iexact=cat_name).first()
            if cat_obj:
                score = float(cat_data.get("score", 0))
                EvaluationResult.objects.create(
                    session=session,
                    category=cat_obj,
                    score=score,
                    feedback=cat_data.get("feedback", "")
                )
                total_score += score * cat_obj.weight
                total_weight += cat_obj.weight
                
        if total_weight > 0:
            session.overall_score = total_score / total_weight

        session.dynamic_traits = data.get("traits", [])
        session.interviewer_notes = data.get("interviewer_notes", "")
        session.hr_recommendation = data.get("hr_recommendation", "")
        
    except Exception as e:
        print(f"Error evaluating session: {e}")
        session.applicant.status = 'error'

    session.status = 'evaluated'
    session.save()
    
    if session.applicant.status != 'error':
        if session.overall_score is not None and session.overall_score >= 70:
            session.applicant.status = 'approved'
        else:
            session.applicant.status = 'rejected'
            
    session.applicant.save()