# core/hermes_loop.py
"""
Hermès Loop v3 – avec Diffusion, Exploration (Arbre d’Hypothèses) et parsing JSON robuste.
"""
import logging
import json
import re
import time
import asyncio
from typing import Optional, Dict, List, Any

from core.hypothesis_tree import HypothesisTree, BranchStatus
from core.branch_executor import BranchExecutor
from core.error_tree import ErrorTree

logger = logging.getLogger("vortex.hermes")


class HermesLoop:
    """
    Cycle Hermès en 7 étapes classiques + exploration d’hypothèses.
    """

    def __init__(self, llm, memory, error_tree: ErrorTree, semantic_router,
                 vector_memory=None, diffusion_passes: int = 2):
        self.llm = llm
        self.memory = memory
        self.error_tree = error_tree
        self.semantic_router = semantic_router
        self.vector_memory = vector_memory
        self.diffusion_passes = diffusion_passes

    # ─── DIFFUSION (auto‑correction) ────────────────────────────

    async def _diffuse(self, text: str, task: str, passes: int = None) -> str:
        """Relit et corrige un texte en plusieurs passes."""
        if passes is None:
            passes = self.diffusion_passes

        current = text
        for p in range(1, passes + 1):
            prompt = f"""
Tu es un relecteur expert. Voici une réponse à la tâche : "{task}".

RÉPONSE ACTUELLE (passe {p}/{passes}) :
{current}

INSTRUCTIONS :
1. Corrige les erreurs de syntaxe ou de logique.
2. Améliore la clarté et la documentation.
3. Ajoute des tests ou des vérifications si nécessaire.
4. Si parfaite, recopie‑la à l'identique.

RENDS UNIQUEMENT LA VERSION RÉVISÉE.
"""
            try:
                resp = await self.llm.call(
                    agent="Hermès-Diffusion",
                    system="Tu es un relecteur méticuleux.",
                    user=prompt
                )
                new_text = resp.content if hasattr(resp, 'content') else str(resp)
                if new_text and new_text != current and len(new_text) > 20:
                    current = new_text
                    logger.info("[Diffusion] Passe %d : amélioration appliquée.", p)
                else:
                    logger.info("[Diffusion] Passe %d : aucune amélioration, arrêt.", p)
                    break
            except Exception as e:
                logger.warning(f"[Diffusion] Échec passe {p} : {e}")
                break
        return current

    # ─── EXPLORATION D’HYPOTHÈSES (Arbre) ─────────────────────

    async def explore_hypotheses(self, task: str, n_hypotheses: int = 3) -> Dict:
        """
        Génère plusieurs hypothèses, les exécute en parallèle, et retourne la meilleure.
        """
        logger.info(f"[Hermès] Exploration d'hypothèses pour: {task[:80]}...")

        # 1. Générer les hypothèses via le LLM
        hypotheses = await self._generate_hypotheses(task, n_hypotheses)

        # 2. Construire l'arbre
        tree = HypothesisTree(task, max_branches=n_hypotheses)
        for hyp in hypotheses:
            description = hyp.get("description", "Aucune description")
            code = hyp.get("code", "")
            tree.add_branch(description, code=code)

        # 3. Exécuter chaque branche en parallèle
        executor = BranchExecutor(timeout=30)
        tasks = []
        for branch in tree.branches.values():
            tasks.append(executor.execute_branch(branch, tree))

        results = await asyncio.gather(*tasks)

        # 4. Sélectionner la meilleure branche
        best = tree.get_best_branch()
        if best:
            logger.info(f"[Hermès] Meilleure hypothèse: {best.id} (score={best.score:.2f})")
            # Capitaliser les échecs dans Harbour
            for branch in tree.branches.values():
                if branch.status == BranchStatus.FAILED and branch.error:
                    self.error_tree.add_error(branch.error, branch.hypothesis)
            # Indexation vectorielle du résultat
            if self.vector_memory:
                try:
                    self.vector_memory.add_episode(
                        f"Exploration: {task}\nMeilleure hypothèse: {best.hypothesis}\nRésultat: {best.result}",
                        metadata={"source": "explore", "score": best.score}
                    )
                except Exception as e:
                    logger.warning(f"[Hermès] Indexation échouée: {e}")

            return {
                "task": task,
                "method": "Hermès/Exploration",
                "best_branch": best.id,
                "best_score": round(best.score, 3),
                "best_result": best.result,
                "summary": tree.get_summary(),
                "branches": [
                    {"id": b.id, "hypothesis": b.hypothesis[:100], "score": b.score,
                     "status": b.status.value}
                    for b in tree.branches.values()
                ]
            }
        else:
            return {"task": task, "error": "Aucune branche réussie"}

    async def _generate_hypotheses(self, task: str, n: int) -> List[Dict]:
        """
        Demande au LLM de générer n approches différentes, avec parsing JSON robuste.
        """
        prompt = f"""
Tâche : {task}

Génère précisément {n} approches différentes pour résoudre ce problème.
Pour chaque approche, donne une **description concise** et un **code Python** (si applicable).
Format de sortie : UNIQUEMENT un JSON valide, sans texte avant ou après.
Le JSON doit être une liste de {n} dicts contenant "description" et "code".

Exemple :
[
  {{"description": "Approche avec heaps", "code": "import heapq\\n..."}},
  {{"description": "Approche avec deque triée", "code": "..."}}
]
"""
        try:
            resp = await self.llm.call(
                agent="Hermès-Explorateur",
                system="Tu es un explorateur de solutions. Génère des approches variées et originales. Réponds uniquement en JSON valide.",
                user=prompt
            )
            content = resp.content if hasattr(resp, 'content') else str(resp)
            # Nettoyer les backticks et autres
            content = content.strip()
            content = re.sub(r'^```(?:json)?\s*', '', content)
            content = re.sub(r'\s*```$', '', content)
            # Essayer de parser le JSON
            try:
                data = json.loads(content)
                if isinstance(data, list) and len(data) >= n:
                    return data[:n]
                elif isinstance(data, list):
                    # Si moins de n, compléter avec des descriptions génériques
                    missing = n - len(data)
                    for i in range(missing):
                        data.append({"description": f"Approche supplémentaire {i+1}", "code": ""})
                    return data
            except json.JSONDecodeError:
                # Fallback : extraire les éléments séparés par des numéros ou des tirets
                lines = content.split('\n')
                hypotheses = []
                current = {"description": "", "code": ""}
                for line in lines:
                    if re.match(r'^\s*(\d+\.|\-)\s*', line):
                        if current["description"]:
                            hypotheses.append(current)
                            current = {"description": "", "code": ""}
                        current["description"] = re.sub(r'^\s*(\d+\.|\-)\s*', '', line).strip()
                    elif current["description"] and line.strip():
                        if "```" in line:
                            if current["code"]:
                                current["code"] += "\n" + line
                            else:
                                current["code"] = line
                        else:
                            current["description"] += " " + line.strip()
                if current["description"]:
                    hypotheses.append(current)
                # Si on n'a pas assez, on ajoute des placeholders
                while len(hypotheses) < n:
                    hypotheses.append({"description": f"Approche alternative {len(hypotheses)+1}", "code": ""})
                return hypotheses[:n]
        except Exception as e:
            logger.error(f"[Hermès] Échec génération hypothèses: {e}")
            # Fallback : générer n hypothèses génériques
            return [{"description": f"Approche {i+1} (générique)", "code": ""} for i in range(n)]

    # ─── CYCLE HERMÈS CLASSIQUE (7 étapes) ────────────────────

    async def run(self, task: str) -> Dict:
        """Cycle complet en 7 étapes, avec diffusion sur l’étape Act."""
        t0 = time.time()
        logger.info(f"[Hermès] Démarrage : {task[:80]}...")

        # Contexte RAG
        vector_context = ""
        if self.vector_memory and hasattr(self.vector_memory, "search_context_block"):
            try:
                vector_context = self.vector_memory.search_context_block(task, n=3, max_chars=800)
                if vector_context:
                    logger.info("[Hermès] Contexte vectoriel récupéré (%d caractères)", len(vector_context))
            except Exception as e:
                logger.warning(f"[Hermès] Échec RAG : {e}")

        steps = []

        # 1. ANCRER
        anchor = await self._anchor(task, vector_context)
        steps.append({"step": "anchor", "action": "Cadrer le problème", "result": anchor[:300], "score": 0.9})

        # 2. RAISONNER
        reasoning = await self._reason(task, anchor, vector_context)
        steps.append({"step": "reason", "action": "Explorer les approches", "result": reasoning[:300], "score": 0.85})

        # 3. AGIR (avec DIFFUSION)
        raw_solution = await self._act(task, reasoning, vector_context)
        diffused_solution = await self._diffuse(raw_solution, task, passes=self.diffusion_passes)
        steps.append({"step": "act", "action": "Produire la solution", "result": diffused_solution[:300], "score": 0.85})

        # 4. OBSERVER
        observation = await self._observe(task, diffused_solution)
        steps.append({"step": "observe", "action": "Capturer le résultat", "result": observation[:300], "score": 0.825})

        # 5. RÉÉVALUER
        reeval = await self._reevaluate(task, diffused_solution, observation)
        steps.append({"step": "reeval", "action": "Comparer à l'attendu", "result": reeval[:300], "score": 0.7})

        # 6. VÉRIFIER (avec diffusion sur les tests)
        raw_tests = await self._verify(task, diffused_solution)
        diffused_tests = await self._diffuse(raw_tests, f"Tests pour : {task}", passes=1)
        steps.append({"step": "verify", "action": "Valider formellement", "result": diffused_tests[:300], "score": 0.6})

        # 7. NARRER
        narration = await self._narrate(task, diffused_solution, diffused_tests, steps)
        steps.append({"step": "narrate", "action": "Documenter et livrer", "result": narration[:300], "score": 0.9})

        overall_score = sum(s["score"] for s in steps) / len(steps)

        elapsed = time.time() - t0
        logger.info(f"[Hermès] Terminé en {elapsed:.1f}s, score={overall_score:.3f}")

        # Indexation automatique
        if self.vector_memory and hasattr(self.vector_memory, "add_hermes_result"):
            try:
                self.vector_memory.add_hermes_result({
                    "task": task,
                    "narration": narration,
                    "deliverable": diffused_solution,
                    "overall_score": overall_score
                })
            except Exception as e:
                logger.warning(f"[Hermès] Indexation échouée : {e}")

        return {
            "task": task,
            "method": "Hermès/Fable",
            "elapsed_s": round(elapsed, 2),
            "overall_score": round(overall_score, 3),
            "steps": steps,
            "deliverable": diffused_solution,
            "narration": narration,
            "used_vector_context": bool(vector_context)
        }

    # ─── SOUS‑ÉTAPES (appels async) ────────────────────────────

    async def _anchor(self, task: str, vector_context: str) -> str:
        prompt = f"Tâche : {task}\nContexte RAG : {vector_context[:600]}\nDéfinis le problème, les contraintes et les critères de succès."
        resp = await self.llm.call(agent="Hermès", system="Tu es un chef de projet.", user=prompt)
        return resp.content if hasattr(resp, 'content') else str(resp)

    async def _reason(self, task: str, anchor: str, vector_context: str) -> str:
        prompt = f"Tâche : {task}\nCadre : {anchor}\nContexte : {vector_context[:400]}\nExplore 3 approches possibles, explique avantages/inconvénients."
        resp = await self.llm.call(agent="Hermès", system="Tu es un architecte technique.", user=prompt)
        return resp.content if hasattr(resp, 'content') else str(resp)

    async def _act(self, task: str, reasoning: str, vector_context: str) -> str:
        prompt = f"Tâche : {task}\nRaisonnement : {reasoning}\nContexte : {vector_context[:400]}\nProduis une solution complète en Python avec code, docstrings et exemples."
        resp = await self.llm.call(agent="Hermès", system="Tu es un développeur senior.", user=prompt)
        return resp.content if hasattr(resp, 'content') else str(resp)

    async def _observe(self, task: str, solution: str) -> str:
        prompt = f"Tâche : {task}\nSolution : {solution}\nExtrais les métriques, logs et résultats observables."
        resp = await self.llm.call(agent="Hermès", system="Tu es un analyste.", user=prompt)
        return resp.content if hasattr(resp, 'content') else str(resp)

    async def _reevaluate(self, task: str, solution: str, observation: str) -> str:
        prompt = f"Tâche : {task}\nSolution : {solution}\nObservation : {observation}\nÉcarts par rapport à l'attendu ? Que faudrait‑il améliorer ?"
        resp = await self.llm.call(agent="Hermès", system="Tu es un expert en qualité.", user=prompt)
        return resp.content if hasattr(resp, 'content') else str(resp)

    async def _verify(self, task: str, solution: str) -> str:
        prompt = f"Tâche : {task}\nSolution : {solution}\nGénère des tests unitaires (unittest ou pytest) pour valider cette solution."
        resp = await self.llm.call(agent="Hermès", system="Tu es un ingénieur de test.", user=prompt)
        return resp.content if hasattr(resp, 'content') else str(resp)

    async def _narrate(self, task: str, solution: str, tests: str, steps: List) -> str:
        prompt = f"Tâche : {task}\nSolution finale : {solution[:500]}\nTests : {tests[:300]}\nRésumé des étapes : {json.dumps(steps, default=str)[:400]}\nRédige un compte‑rendu structuré avec recommandations."
        resp = await self.llm.call(agent="Hermès", system="Tu es un rédacteur technique.", user=prompt)
        return resp.content if hasattr(resp, 'content') else str(resp)