import time

try:
    from huggingface_hub import InferenceClient
except ImportError:  # pragma: no cover
    InferenceClient = None
try:
    from openai import OpenAI
except ImportError:  # pragma: no cover
    OpenAI = None

from config import (
    HF_MODEL, HF_TOKEN, GROQ_API_KEY, GROQ_MODEL, OPENAI_API_KEY, OPENAI_MODEL,
    LLM_PROVIDER, MAX_NEW_TOKENS
)

# Canlı demoda tek bir asılı isteğin arayüzü kilitlememesi için açık bir
# istek aşımı. Önceden hiç tanımlı değildi (client kütüphanelerinin
# varsayılanına bırakılmıştı) — bu, ağ sorunlarında belirsiz bekleme
# sürelerine yol açabiliyordu.
REQUEST_TIMEOUT_SECONDS = 25.0

HF_CLIENT = (
    InferenceClient(model=HF_MODEL, token=HF_TOKEN, timeout=REQUEST_TIMEOUT_SECONDS)
    if HF_TOKEN and InferenceClient
    else None
)
GROQ_CLIENT = (
    OpenAI(api_key=GROQ_API_KEY, base_url="https://api.groq.com/openai/v1", timeout=REQUEST_TIMEOUT_SECONDS)
    if GROQ_API_KEY and OpenAI
    else None
)
OPENAI_CLIENT = (
    OpenAI(api_key=OPENAI_API_KEY, timeout=REQUEST_TIMEOUT_SECONDS)
    if OPENAI_API_KEY and OpenAI
    else None
)

# Geçici ağ/oran-sınırı hatalarında tek seferlik yeniden deneme. Bu sayı
# bilinçli olarak düşük tutuldu (1 deneme, kısa bekleme) — amaç kalıcı bir
# sağlamlık katmanı değil, "bir kerelik kesinti yüzünden zengin LLM
# cevabını kaybetme" riskini azaltmak. Kalıcı hatalarda (ör. geçersiz API
# anahtarı) yine de yukarı fırlatılır, sessizce yutulmaz.
RETRY_ATTEMPTS = 2
RETRY_BACKOFF_SECONDS = 1.5


def llm_available() -> bool:
    if LLM_PROVIDER == "auto":
        return any((HF_CLIENT, GROQ_CLIENT, OPENAI_CLIENT))
    if LLM_PROVIDER == "groq":
        return GROQ_CLIENT is not None
    if LLM_PROVIDER == "openai":
        return OPENAI_CLIENT is not None
    return HF_CLIENT is not None


def call_chat_completion(messages: list[dict], response_format: str = "text") -> str:
    """Call the configured chat completion provider.

    response_format:
        "text" (default) — no format constraint, unchanged behavior.
        "json" — for providers that support it (OpenAI, Groq's OpenAI-
            compatible API), enforce {"type": "json_object"} at the API
            level rather than relying solely on prompt wording. Callers
            that expect strict JSON (e.g. proof_bundle.llm_claim_prompt)
            should pass response_format="json".
    """
    provider = LLM_PROVIDER
    if provider == "auto":
        provider = "huggingface" if HF_CLIENT is not None else "groq" if GROQ_CLIENT is not None else "openai"

    last_error: Exception | None = None
    for attempt in range(RETRY_ATTEMPTS):
        try:
            return _dispatch_chat_completion(provider, messages, response_format)
        except Exception as error:  # noqa: BLE001 - deliberately broad, see docstring
            last_error = error
            if attempt < RETRY_ATTEMPTS - 1:
                time.sleep(RETRY_BACKOFF_SECONDS)
                continue
    assert last_error is not None
    raise last_error


def _dispatch_chat_completion(provider: str, messages: list[dict], response_format: str) -> str:
    extra_kwargs = {}
    if response_format == "json" and provider in {"groq", "openai"}:
        extra_kwargs["response_format"] = {"type": "json_object"}

    if provider == "groq":
        if GROQ_CLIENT is None:
            raise RuntimeError("GROQ_API_KEY tanımlı değil.")
        response = GROQ_CLIENT.chat.completions.create(
            model=GROQ_MODEL,
            messages=messages,
            max_tokens=MAX_NEW_TOKENS,
            temperature=0.12,
            top_p=0.9,
            **extra_kwargs,
        )
        return response.choices[0].message.content.strip()

    if provider == "openai":
        if OPENAI_CLIENT is None:
            raise RuntimeError("OPENAI_API_KEY tanımlı değil.")
        response = OPENAI_CLIENT.chat.completions.create(
            model=OPENAI_MODEL,
            messages=messages,
            max_tokens=MAX_NEW_TOKENS,
            temperature=0.0,
            top_p=0.9,
            **extra_kwargs,
        )
        return response.choices[0].message.content.strip()

    if HF_CLIENT is None:
        raise RuntimeError("HF_TOKEN veya HUGGINGFACEHUB_API_TOKEN tanımlı değil.")
    response = HF_CLIENT.chat.completions.create(
        model=HF_MODEL,
        messages=messages,
        max_tokens=MAX_NEW_TOKENS,
        temperature=0.12,
        top_p=0.9,
    )
    return response.choices[0].message.content.strip()