app/services/document/document_analyzer.py

"""
Document Analyzer — Sends OCR-extracted JSON to Groq LLM for intelligent analysis.
Produces: summary, risk_level, severity_score, key_findings, recommendation.
Uses the existing GROQ_API_KEY — zero additional cost.
"""

import json
import logging
from app.core.config import settings

logger = logging.getLogger(__name__)

# ─── Arabic Prompt Templates per document type ────────────────────────────────

_BASE_PROMPT = """\
أنت محلل وثائق متخصص في منصة عون للمساعدة الاجتماعية.
تم استخراج البيانات التالية من وثيقة من نوع "{doc_type}" باستخدام OCR:

{fields_json}

قم بتحليل هذه البيانات وأعد ردًا بتنسيق JSON فقط — بدون أي شرح أو نص خارج JSON.

الحقول المطلوبة:
{{
  "summary": "ملخص موجز للوثيقة بالعربية (جملة أو جملتان)",
  "risk_level": "high | medium | low",
  "severity_score": <رقم من 0 إلى 100>,
  "key_findings": ["اكتشاف 1", "اكتشاف 2", ...],
  "recommendation": "توصية واحدة واضحة للموظف المسؤول",
  "confidence": <رقم من 0.0 إلى 1.0 يعبر عن مدى اكتمال البيانات>,
  "tampering_detected": true | false
}}

قواعد التقييم:
- risk_level=high   → مرض مزمن / دخل أقل من 1500 جنيه / ديون تتجاوز ضعف الدخل
- risk_level=medium → وضع متوسط يحتاج متابعة
- risk_level=low    → وضع مستقر لا يستدعي تدخلاً عاجلاً
- لو في حقول ناقصة (null) → اذكرها في key_findings وخفض confidence
- للكشف عن التزوير (tampering_detected=true): هل هناك تناقض صريح في التواريخ؟ هل الأرقام أو النصوص تبدو غير منطقية أو متقطعة بشكل يدل على تلاعب؟
- أجب بـ JSON فقط بدون markdown
"""

# ─── Analyzer ─────────────────────────────────────────────────────────────────

class DocumentAnalyzer:
    """LLM-powered document intelligence layer, built on top of OCR output."""

    def __init__(self):
        if not settings.GROQ_API_KEY:
            logger.warning("GROQ_API_KEY missing — Document Analyzer unavailable.")
            self.client = None
        else:
            from groq import AsyncGroq
            self.client = AsyncGroq(api_key=settings.GROQ_API_KEY, timeout=30.0)
            logger.info("Document Analyzer initialized (Groq).")

    def is_available(self) -> bool:
        return self.client is not None

    async def analyze(self, ocr_fields: dict, document_type: str) -> dict:
        """
        Analyze OCR-extracted fields using LLM.

        Args:
            ocr_fields: The dict returned by OCR (without _provider key).
            document_type: e.g. "medical_report", "income_proof".

        Returns:
            dict matching DocumentAnalysis schema, or a graceful fallback.
        """
        if not self.client:
            return self._unavailable_fallback(document_type)

        # Remove internal keys before sending to LLM
        clean_fields = {k: v for k, v in ocr_fields.items() if not k.startswith("_")}

        # Count null fields for a quick completeness hint
        null_count = sum(1 for v in clean_fields.values() if v is None)
        total_fields = len(clean_fields) or 1

        prompt = _BASE_PROMPT.format(
            doc_type=document_type,
            fields_json=json.dumps(clean_fields, ensure_ascii=False, indent=2),
        )

        try:
            response = await self.client.chat.completions.create(
                model="llama-3.3-70b-versatile",
                messages=[{"role": "user", "content": prompt}],
                temperature=0.1,   # Low temp → deterministic structured output
                max_tokens=512,
            )
            raw = response.choices[0].message.content.strip()

            # Strip markdown fences if present
            if "```json" in raw:
                raw = raw.split("```json")[1].split("```")[0].strip()
            elif "```" in raw:
                raw = raw.split("```")[1].split("```")[0].strip()

            result = json.loads(raw)

            # Validate required keys — fill missing with defaults
            result.setdefault("summary", "تعذّر إنشاء الملخص.")
            result.setdefault("risk_level", "medium")
            result.setdefault("severity_score", 50)
            result.setdefault("key_findings", [])
            result.setdefault("recommendation", "يُرجى مراجعة الوثيقة يدوياً.")
            result.setdefault("confidence", round(1 - (null_count / total_fields), 2))
            result.setdefault("tampering_detected", False)

            # If tampering is detected, override recommendation
            if result.get("tampering_detected"):
                result["recommendation"] = "🚨 تحذير: اشتباه في تلاعب بالوثيقة. " + result["recommendation"]

            # Clamp severity_score
            result["severity_score"] = max(0, min(100, int(result["severity_score"])))
            result["risk_level"] = result["risk_level"].lower()
            if result["risk_level"] not in ("high", "medium", "low"):
                result["risk_level"] = "medium"

            return result

        except json.JSONDecodeError as e:
            logger.error("LLM returned non-JSON response: %s | raw=%s", e, raw[:200])
            return self._parse_error_fallback(document_type)
        except Exception as e:
            logger.error("Document analysis failed: %s", e, exc_info=True)
            return self._error_fallback(document_type)

    # ─── Fallbacks ────────────────────────────────────────────────────────────

    @staticmethod
    def _unavailable_fallback(doc_type: str) -> dict:
        return {
            "summary": "خدمة التحليل غير متاحة حالياً.",
            "risk_level": "medium",
            "severity_score": 50,
            "key_findings": ["لم يتم إجراء التحليل — GROQ_API_KEY غير مضبوط."],
            "recommendation": "يُرجى ضبط GROQ_API_KEY وإعادة المحاولة.",
            "confidence": 0.0,
            "tampering_detected": False,
        }

    @staticmethod
    def _parse_error_fallback(doc_type: str) -> dict:
        return {
            "summary": "تعذّر تحليل الوثيقة — الرد غير صالح.",
            "risk_level": "medium",
            "severity_score": 50,
            "key_findings": ["فشل تحليل رد النموذج — يُرجى المراجعة اليدوية."],
            "recommendation": "راجع البيانات المستخرجة يدوياً.",
            "confidence": 0.0,
            "tampering_detected": False,
        }

    @staticmethod
    def _error_fallback(doc_type: str) -> dict:
        return {
            "summary": "حدث خطأ أثناء التحليل.",
            "risk_level": "medium",
            "severity_score": 50,
            "key_findings": ["تعذّر التحليل بسبب خطأ تقني."],
            "recommendation": "يُرجى المحاولة مجدداً أو المراجعة اليدوية.",
            "confidence": 0.0,
            "tampering_detected": False,
        }


# Singleton
document_analyzer = DocumentAnalyzer()