// AI Methodology Matcher: vector similarity matching via pgvector
// Patent claims 1, 3: AI-based methodology auto-matching
//
// 다층 폴백 전략:
//   1) embed-text Edge Function (OpenAI text-embedding-3-small 또는 서버 pseudo)
//   2) 실패 시 클라이언트 pseudo-embedding (djb2 + mulberry32) — Edge Function 시드와 동일 알고리즘
//   3) pgvector RPC match_methodology 는 어느 embedding source 든 동일하게 작동
//   4) RPC 실패 시 클라이언트 측 텍스트 유사도(fallback): Jaccard on tokens

import { supabase } from './supabase'
import { invokeEdgeFunction } from './apiAdapter'
import type { MethodologyMatch } from '../types'



export interface DataSpec {
  parameter: string
  name: string
  purpose: string
  source: string
}

export interface MethodologyExplanation {
  success: boolean
  eligibilityScore: number
  explanation: string
  keyConstraints: string[]
  requiredData: DataSpec[]
  recommendedData: DataSpec[]
}

export interface MethodologyVector {
  id: string
  methodologyCode: string
  registry: string
  nameKo: string
  nameEn: string | null
  applicability: string
  emissionFactors: Record<string, unknown> | null
  requiredParams: string[]
  similarity: number
}

export interface MatchResult {
  matches: MethodologyVector[]
  queryText: string
  matchedAt: string
  /** 매칭 소스 경로 (디버깅·UI 배지용) */
  source: 'edge-openai' | 'edge-pseudo' | 'client-pseudo' | 'text-jaccard'
}

const EMBED_DIM = 1536

// --- Deterministic pseudo-embedding (Edge Function과 동일 알고리즘) ---

function djb2(str: string): number {
  let hash = 5381
  for (let i = 0; i < str.length; i++) {
    hash = ((hash << 5) + hash + str.charCodeAt(i)) >>> 0
  }
  return hash
}

function mulberry32(seed: number) {
  let s = seed >>> 0
  return () => {
    s = (s + 0x6d2b79f5) >>> 0
    let t = s
    t = Math.imul(t ^ (t >>> 15), t | 1)
    t ^= t + Math.imul(t ^ (t >>> 7), t | 61)
    return ((t ^ (t >>> 14)) >>> 0) / 4294967296
  }
}

function clientPseudoEmbedding(text: string): number[] {
  const normalized = text.trim().toLowerCase()
  const seed = djb2(normalized)
  const rng = mulberry32(seed)
  const vec = new Array<number>(EMBED_DIM)
  let sumSq = 0
  for (let i = 0; i < EMBED_DIM; i++) {
    const v = rng() * 2 - 1
    vec[i] = v
    sumSq += v * v
  }
  const norm = Math.sqrt(sumSq) || 1
  for (let i = 0; i < EMBED_DIM; i++) vec[i] /= norm
  return vec
}

// --- Embedding acquisition (fallback chain) ---

async function getEmbedding(text: string): Promise<{ vec: number[]; source: 'edge-openai' | 'edge-pseudo' | 'client-pseudo' }> {
  try {
    const payload = await invokeEdgeFunction<{ text: string }, { embedding: number[]; source?: string }>('embed-text', { text })
    if (Array.isArray(payload?.embedding) && payload.embedding.length === EMBED_DIM) {
      return {
        vec: payload.embedding,
        source: payload.source === 'openai' ? 'edge-openai' : 'edge-pseudo',
      }
    }
    throw new Error('invalid embedding response shape')
  } catch (err) {
    // 로컬 dev / 오프라인 / Edge Function 미배포 → 클라이언트 폴백
    console.warn('[methodologyMatcher] embed-text 호출 실패, 클라이언트 pseudo로 폴백:', err)
    return { vec: clientPseudoEmbedding(text), source: 'client-pseudo' }
  }
}

// --- Text Jaccard (최후 폴백 — pgvector RPC 자체가 실패할 때) ---

function tokenize(s: string): Set<string> {
  return new Set(
    s
      .toLowerCase()
      .replace(/[^\p{L}\p{N}\s]/gu, ' ')
      .split(/\s+/)
      .filter((t) => t.length > 0),
  )
}

function jaccard(a: Set<string>, b: Set<string>): number {
  if (a.size === 0 || b.size === 0) return 0
  let inter = 0
  for (const t of a) if (b.has(t)) inter += 1
  const uni = a.size + b.size - inter
  return uni === 0 ? 0 : inter / uni
}

async function textJaccardMatch(
  query: string,
  matchCount: number,
): Promise<MethodologyVector[]> {
  const all = await getMethodologyVectors()
  const qTokens = tokenize(query)
  return all
    .map((m) => ({
      ...m,
      similarity: jaccard(qTokens, tokenize(`${m.nameKo} ${m.applicability}`)),
    }))
    .sort((a, b) => b.similarity - a.similarity)
    .slice(0, matchCount)
}

// --- Match methodologies by text description ---

export async function matchMethodologies(
  activityDescription: string,
  matchCount = 5,
  minScore = 0.5,
): Promise<MatchResult> {
  const { vec: embedding, source: embedSource } = await getEmbedding(activityDescription)

  try {
    const { data, error } = await supabase.rpc('match_methodology', {
      p_embedding: embedding,
      p_match_count: matchCount,
      p_min_score: minScore,
    })
    if (error) throw error

    const matches: MethodologyVector[] = (data ?? []).map((row: Record<string, unknown>) => ({
      id: row.id as string,
      methodologyCode: row.methodology_code as string,
      registry: row.registry as string,
      nameKo: row.name_ko as string,
      nameEn: (row.name_en as string) ?? null,
      applicability: row.applicability as string,
      emissionFactors: (row.emission_factors as Record<string, unknown>) ?? null,
      requiredParams: (row.required_params as string[]) ?? [],
      similarity: Number(row.similarity),
    }))

    return {
      matches,
      queryText: activityDescription,
      matchedAt: new Date().toISOString(),
      source: embedSource,
    }
  } catch (err) {
    // pgvector RPC 실패 (예: methodology_vectors seed 미반영 DB) → 텍스트 Jaccard 폴백
    console.warn('[methodologyMatcher] match_methodology RPC 실패, 텍스트 유사도 폴백:', err)
    const matches = await textJaccardMatch(activityDescription, matchCount)
    return {
      matches,
      queryText: activityDescription,
      matchedAt: new Date().toISOString(),
      source: 'text-jaccard',
    }
  }
}

// --- Convert MethodologyVector to existing MethodologyMatch type ---

export function toMethodologyMatch(
  vector: MethodologyVector,
  campaignContext: {
    activityType: string
    organization: string
    reductionTons: number
    dataRows: number
    sourceFileId?: string
    sourceFileName?: string
  },
): MethodologyMatch {
  const emissionFactor = vector.emissionFactors
    ? Object.entries(vector.emissionFactors)
        .map(([k, v]) => `${k}: ${v}`)
        .join(', ')
    : '—'

  const score = Math.round(vector.similarity * 100);
  return {
    id: vector.id,
    activityType: campaignContext.activityType,
    organization: campaignContext.organization,
    methodology: vector.nameKo,
    methodologyCode: vector.methodologyCode,
    registry: vector.registry as MethodologyMatch['registry'],
    fitScore: score,
    status: score >= 80 ? 'matched' : 'review',
    matchedAt: new Date().toISOString(),
    reductionTons: campaignContext.reductionTons,
    sourceFileId: campaignContext.sourceFileId,
    sourceFileName: campaignContext.sourceFileName,
    dataRows: campaignContext.dataRows,
    emissionFactor,
    requiredParams: vector.requiredParams,
    description: vector.applicability,
  }
}

// --- Query all methodology vectors (admin) ---

export async function getMethodologyVectors(): Promise<MethodologyVector[]> {
  const { data, error } = await supabase
    .from('methodology_vectors')
    .select('id, methodology_code, registry, name_ko, name_en, applicability, emission_factors, required_params')
    .order('methodology_code', { ascending: true })
  if (error) throw error
  return (data ?? []).map((row) => ({
    id: row.id,
    methodologyCode: row.methodology_code,
    registry: row.registry,
    nameKo: row.name_ko,
    nameEn: row.name_en,
    applicability: row.applicability,
    emissionFactors: row.emission_factors,
    requiredParams: row.required_params ?? [],
    similarity: 0,
  }))
}

// --- Local Knowledge Base for Methodology Suitability & Data Specification Fallback ---

const LOCAL_KNOWLEDGE: Record<string, Omit<MethodologyExplanation, 'success'>> = {
  "GS-PWR-v3.2": {
    eligibilityScore: 96,
    explanation: "GS-PWR-v3.2 방법론은 텀블러·다회용기 사용을 통해 음용 소비 시 사용되는 일회용 컵(종이/플라스틱) 발생을 억제하여, 생산 및 매립/소각 주기의 온실가스 배출을 원천적으로 회피합니다. 제주 다회용 컵 파일럿 등 일상 속 시민 참여형 순환 행동에 극우수한 적격성을 지닙니다. [Waste Prevention and Avoidance of Single-use Cups]",
    keyConstraints: [
      "1회 사용당 일회용컵 1개(종이컵 기본 배출계수 21gCO2e) 대체 산정",
      "동일 가맹점 내 24시간 내 반복 참여 어뷰징 방지 필터 요함 (QA/QC 등급 지정)"
    ],
    requiredData: [
      { parameter: "cup_count", name: "다회용 컵 사용 횟수 (회)", purpose: "회피된 컵 개수당 BE(베이스라인 배출량) 정밀 산정", source: "영수증 OCR 할인 인식 / POS API 로그" },
      { parameter: "store_id", name: "가맹점 ID 및 상호명", purpose: "실재 가맹점 대조 및 지역 감축 공헌 추적", source: "영수증 상호/주소 파싱" }
    ],
    recommendedData: [
      { parameter: "gps_coords", name: "GPS 위치 정보", purpose: "동일 가맹점 내 초고빈도 어뷰징 방지 교차 대조", source: "단말기 위치 서비스" },
      { parameter: "photo_proof", name: "텀블러/다회용컵 사용 실물 사진", purpose: "위조 영수증 의심 시 2차 보조 MRV 검증 증빙", source: "참여자 실시간 사진 촬영" }
    ]
  },
  "K-VER-LIVESTOCK": {
    eligibilityScore: 92,
    explanation: "K-VER-LIVESTOCK 방법론은 반추동물(소/젖소 등)의 장내 발효로 인한 메탄가스(CH4) 배출을 저메탄 사료 급여를 통해 물리적으로 저감합니다. 대단위 축산 농가 및 공공 기금 지원 사업에 높은 정밀성을 가집니다. [Enteric Methane Reduction via Low-Methane Feed]",
    keyConstraints: [
      "농림축산식품부 또는 공인 검증원 승인 저메탄 사료 공급명세서 대조 필수",
      "농장주 사료 구입 영수증 및 급여 두수(마리수) 일일 급여 대장 감사 증빙 필수"
    ],
    requiredData: [
      { parameter: "feed_purchase_tons", name: "저메탄 사료 구입량 (톤)", purpose: "공급 대비 적정 급여량 환산 및 베이스라인 대조", source: "사료 공급 증명서 / 매입 계산서" },
      { parameter: "head_count", name: "급여 대상 가축 두수 (두)", purpose: "마리당 기준 급여량 및 배출 원단위 일치 확인", source: "이력관리시스템 등록 정보" }
    ],
    recommendedData: [
      { parameter: "monthly_milk_yield", name: "월별 우유 생산량/체중 통계", purpose: "급여 활동으로 인한 생산성 변화 및 간접 영향 모니터링", source: "농가 출하 대장" }
    ]
  },
  "VCS-VM0042": {
    eligibilityScore: 94,
    explanation: "VCS-VM0042 방법론은 화석연료를 연소하는 기존 이동 차량(승용차/버스 등)을 전기 자전거, 일반 자전거 및 도보 등 무동력/친환경 교통수단으로 대체하여 대기 중 직접적인 배출 유입을 차단합니다. [Non-Motorized and Active Transport System conversion]",
    keyConstraints: [
      "참여자의 무동력 이동 거리 및 대체 교통편 실재성 입증을 위한 GPS 데이터 필수",
      "이중 계산 방지를 위해 기타 탄소 크레딧 중복 거래 여부 검증 요망"
    ],
    requiredData: [
      { parameter: "trip_distance_km", name: "이동 거리 (km)", purpose: "수단 전환에 따른 베이스라인 가솔린 연소 대체량 산정", source: "단말기 GPS 트랙 실적" },
      { parameter: "mode_of_transport", name: "이동 수단 유형 (자전거/도보)", purpose: "이동수단별 배출 원단위 및 칼로리 소비 매칭", source: "센서 데이터 또는 UI 선택" }
    ],
    recommendedData: [
      { parameter: "gps_waypoints", name: "GPS 웨이포인트 경로", purpose: "평균 이동 속도 판정을 통해 차량 탑승 부정행위 필터링 QA/QC", source: "단말기 백그라운드 위치 수집" }
    ]
  }
};

/**
 * 특정 탄소 방법론에 대하여 캠페인과의 적합성(RAG) 설명 및 필수/권장 수집 데이터 사양을 반환합니다.
 * 우선적으로 Deno Edge Function을 통해 AI 진단을 생성하며, 실패/오프라인 시 클라이언트 로컬 RAG 템플릿으로 안전하게 폴백합니다.
 */
export async function explainMethodologySuitability(
  methodologyCode: string,
  campaignTitle: string,
  campaignDescription: string
): Promise<MethodologyExplanation> {
  try {
    const data = await invokeEdgeFunction<{
      methodologyCode: string
      campaignTitle: string
      campaignDescription: string
    }, MethodologyExplanation>('explain-methodology', {
      methodologyCode,
      campaignTitle,
      campaignDescription
    });

    if (data && data.success) {
      return data;
    }
    throw new Error('invalid explain-methodology response structure');
  } catch (err) {
    console.warn(`[methodologyMatcher] explain-methodology Edge Function 호출 실패, 로컬 RAG 템플릿 폴백:`, err);
    
    // Find local knowledge fallback
    const local = LOCAL_KNOWLEDGE[methodologyCode];
    if (local) {
      return {
        success: true,
        ...local
      };
    }

    // Generic fallback for unrecognized codes
    return {
      success: true,
      eligibilityScore: 70,
      explanation: `제시하신 ${methodologyCode} 탄소 방법론은 본 캠페인(${campaignTitle}) 기획서의 핵심 감축 목표에 대해 일반적인 적격성을 제공합니다. 프로젝트 공식 등록 전에 방법론의 세부 조항 및 활동 범위 적합성을 재확인하시기 바랍니다.`,
      keyConstraints: [
        "방법론 고유의 감축 배출계수 타당성 검토 필요",
        "외부 레지스트리 공식 적격 심사(VVB)를 위한 최소 3개월의 데이터 수집 요함"
      ],
      requiredData: [
        { parameter: "activity_quantity", name: "기본 감축 활동량", purpose: "활동당 배출량 절감 지표 산정", source: "사용자 증빙 제출 및 직접 입력" }
      ],
      recommendedData: []
    };
  }
}