modules/contexto.py

# type: ignore
"""
================================================================================
AKIRA V21 ULTIMATE - CONTEXTO MODULE
================================================================================
Gerenciador de contexto de conversa com NLP avançado, análise emocional,
aprendizado dinâmico de gírias e adaptação de tom por usuário.

Features:
- Análise de intenção e normalização de texto
- Detecção de emoções com fallback heurístico
- Aprendizado de gírias regionais (Angola)
- Histórico de conversa persistente
- Tom adaptativo por usuário
- Integração com EmotionAnalyzer do config
- Sistema de embeddings para similaridade
- Cache inteligente
- Logging detalhado
================================================================================
"""

import logging
import re
import random
import time
import sqlite3
import json
from typing import Optional, List, Dict, Tuple, Any, Union
from datetime import datetime

# Imports robustos com fallback - CORRIGIDO para usar modules.
try:
    import modules.config as config
    from .database import Database
    from .treinamento import Treinamento
    CONTEXTO_AVAILABLE = True
except ImportError:
    try:
        from . import config
        from .database import Database
        from .treinamento import Treinamento
        CONTEXTO_AVAILABLE = True
    except ImportError:
        CONTEXTO_AVAILABLE = False
        import modules.config as config
        try:
            from modules.database import Database
            from modules.treinamento import Treinamento
        except ImportError:
            Database = None
            Treinamento = None

# Imports opcionais com fallbacks
try:
    from sentence_transformers import SentenceTransformer  # type: ignore
    SENTENCE_TRANSFORMER_AVAILABLE = True
except Exception as e:
    logging.warning(f"sentence_transformers não disponível: {e}")
    SentenceTransformer = None  # type: ignore
    SENTENCE_TRANSFORMER_AVAILABLE = False

try:
    import psutil  # type: ignore
    PSUTIL_AVAILABLE = True
except Exception:
    psutil = None  # type: ignore
    PSUTIL_AVAILABLE = False

try:
    import structlog  # type: ignore
    STRUCTLOG_AVAILABLE = True
except Exception:
    structlog = None  # type: ignore
    STRUCTLOG_AVAILABLE = False

logger = logging.getLogger(__name__)

# Configuração do logging
logging.basicConfig(level=logging.INFO, format='%(asctime)s [%(levelname)s] %(message)s')

if STRUCTLOG_AVAILABLE and structlog:
    structlog.configure(
        processors=[
            structlog.processors.TimeStamper(fmt="iso"),
            structlog.stdlib.add_log_level,
            structlog.processors.JSONRenderer()
        ],
        context_class=dict,
        logger_factory=structlog.stdlib.LoggerFactory(),
        wrapper_class=structlog.stdlib.BoundLogger,
    )

# Palavras para análise de sentimento heurística (fallback)
PALAVRAS_POSITIVAS = [
    'bom', 'ótimo', 'incrível', 'feliz', 'adorei', 'top', 'fixe', 'bué', 
    'show', 'legal', 'bacana', 'excelente', 'maravilhoso', 'perfeito'
]
PALAVRAS_NEGATIVAS = [
    'ruim', 'péssimo', 'triste', 'ódio', 'raiva', 'chateado', 'merda', 
    'porra', 'odeio', 'horrível', 'terrible', 'p不佳'
]

# Cache global para emotion analyzer - usa singleton do config
_emotion_analyzer: Any = None

def _get_emotion_analyzer() -> Any:
    """
    Obtém instância do EmotionAnalyzer do config.py.
    Usa fallback heurístico interno se necessário.
    """
    global _emotion_analyzer
    if _emotion_analyzer is None:
        try:
            # Usa o singleton do config.py
            _emotion_analyzer = config.get_emotion_analyzer()
            if _emotion_analyzer is not None:
                logger.info("EmotionAnalyzer obtido do config")
            else:
                # Fallback: cria analyzer dummy com heurística interna
                class FallbackAnalyzer:
                    """Fallback analyzer com heurística básica."""
                    
                    def analisar(self, texto, historico=None, nivel=None):
                        return self._heuristica(texto)
                    
                    def _heuristica(self, texto):
                        lower = texto.lower()
                        
                        # Detecção de emoção simples
                        if any(w in lower for w in ['feliz', 'fixe', 'bom', 'top', 'adorei', 'amo', 'kkk', 'haha']):
                            return {'emocao': 'joy', 'confianca': 0.8, 'nivel_analise': 'heuristica_fallback'}
                        elif any(w in lower for w in ['triste', 'chateado', 'mal', 'péssimo', 'pessimo', '🥺', '💔']):
                            return {'emocao': 'sadness', 'confianca': 0.8, 'nivel_analise': 'heuristica_fallback'}
                        elif any(w in lower for w in ['raiva', 'odio', 'puta', 'caralho', 'merda', 'vsf', 'fdp', '🔥']):
                            return {'emocao': 'anger', 'confianca': 0.8, 'nivel_analise': 'heuristica_fallback'}
                        elif any(w in lower for w in ['medo', 'assustado', 'preocupado', '😨', '🥶']):
                            return {'emocao': 'fear', 'confianca': 0.8, 'nivel_analise': 'heuristica_fallback'}
                        elif any(w in lower for w in ['surpresa', 'nossa', 'eita', 'uau', '😮', '🤯']):
                            return {'emocao': 'surprise', 'confianca': 0.8, 'nivel_analise': 'heuristica_fallback'}
                        elif any(w in lower for w in ['amo', 'te amo', 'paixão', 'paixao', 'coração', 'coracao', '🥰', '❤️']):
                            return {'emocao': 'love', 'confianca': 0.8, 'nivel_analise': 'heuristica_fallback'}
                        else:
                            return {'emocao': 'neutral', 'confianca': 0.5, 'nivel_analise': 'heuristica_fallback'}
                
                _emotion_analyzer = FallbackAnalyzer()
                logger.info("Usando FallbackAnalyzer para análise emocional")
        except Exception as e:
            logger.warning(f"Erro ao obter EmotionAnalyzer: {e}")
            _emotion_analyzer = None
    
    return _emotion_analyzer


class Contexto:
    """
    Classe para gerenciar o contexto da conversa, análise de intenções e 
    aprendizado dinâmico de termos regionais/gírias para cada usuário.
    
    Attributes:
        db: Instância do banco de dados
        usuario: Identificador do usuário
        model: Modelo SentenceTransformer (carregado sob demanda)
        embeddings: Cache de embeddings
        emocao_atual: Emoção atual do usuário
        espirito_critico: Modo de espírito crítico ativado
        base_conhecimento: Base de conhecimento persistente
        termo_contexto: Dicionário de termos/gírias aprendidos
        cache_girias: Cache de gírias por usuário
        primeira_mensagem: Flag para detectar primeira interação
        tom_anterior: Tom da última mensagem para transição lenta
        contagem_mensagens_tom: Contador para transição gradual
    """
    
    def __init__(self, db: Optional[Database] = None, usuario: Optional[str] = None, conversation_id: Optional[str] = None):
        """
        Inicializa o contexto de conversa.
        
        Args:
            db: Instância do banco de dados Database
            usuario: Identificador do usuário (número de telefone ou nome)
            conversation_id: ID único da conversa para isolamento (opcional)
        """
        self.usuario: Optional[str] = usuario
        self.conversation_id: Optional[str] = conversation_id
        
        # Inicializa db corretamente - se None, cria nova instância
        if db is not None:
            self.db = db
        else:
            try:
                from .database import Database
                self.db = Database()
            except ImportError:
                try:
                    from modules.database import Database
                    self.db = Database()
                except ImportError:
                    self.db = None
                    logger.warning("Database não disponível no contexto")
        self.model: Optional[Any] = None
        self.embeddings: Optional[Dict[str, Any]] = None
        self._treinador: Optional[Treinamento] = None
        
        # Estado de conversa
        self.emocao_atual: str = "neutra"
        self.espirito_critico: bool = False
        self.base_conhecimento: Dict[str, Any] = {}
        
        # Garante que termo_contexto seja sempre um dicionário
        self.termo_contexto: Dict[str, Dict[str, Any]] = {}
        self.cache_girias: Dict[str, Any] = {}
        
        # Novas flags para primeira mensagem e transição lenta de tom
        self.primeira_mensagem: bool = True
        self.tom_anterior: str = "neutro"
        self.contagem_mensagens_tom: int = 0
        self.tom_atual: str = "neutro"
        
        # Carrega aprendizados do banco
        self.atualizar_aprendizados_do_banco()
        
        logger.info(f"🟢 Contexto inicializado para usuário: {usuario} (Isolation ID: {conversation_id})")
        
        # Carrega modelo sob demanda
        self._load_model()

    def atualizar_aprendizados_do_banco(self):
        """Carrega todos os dados de aprendizado persistentes do banco."""
        try:
            if self.usuario and self.db is not None:
                termos_aprendidos = self.db.recuperar_girias_usuario(self.usuario)
                self.termo_contexto = {
                    termo['giria']: {
                        "significado": termo['significado'], 
                        "frequencia": termo['frequencia']
                    } 
                    for termo in termos_aprendidos
                }
            else:
                self.termo_contexto = {}
        except Exception as e:
            logger.warning(f"Falha ao carregar termos/gírias do DB: {e}")
            self.termo_contexto = {}

        try:
            if self.usuario and self.db is not None:
                emocao_salva = self.db.recuperar_aprendizado_detalhado(self.usuario, "emocao_atual")
                if emocao_salva:
                    # Tenta parsear como JSON primeiro
                    try:
                        if isinstance(emocao_salva, str):
                            emocao_dict = json.loads(emocao_salva)
                        else:
                            emocao_dict = emocao_salva
                        
                        if isinstance(emocao_dict, dict) and 'emocao' in emocao_dict:
                            self.emocao_atual = emocao_dict['emocao']
                        elif isinstance(emocao_salva, str):
                            self.emocao_atual = emocao_salva
                    except (json.JSONDecodeError, TypeError):
                        # Se não for JSON válido, usa como string direta
                        if isinstance(emocao_salva, str):
                            self.emocao_atual = emocao_salva
        except Exception as e:
            logger.warning(f"Falha ao carregar emoção do DB: {e}")

    @property
    def ton_predominante(self) -> Optional[str]:
        """
        Retorna o tom predominante do usuário, acessando o DB.
        
        Returns:
            Tom predominante ou None se não disponível
        """
        if self.usuario and self.db is not None:
            return self.db.obter_tom_predominante(self.usuario)
        return None

    def get_or_create_treinador(self, interval_hours: int = 24) -> Treinamento:
        """Retorna um entrenador associado a este contexto."""
        if self._treinador is None:
            db_param: Database = self.db if self.db is not None else Database()
            self._treinador = Treinamento(db_param, contexto=self, interval_hours=interval_hours)
        return self._treinador

    def _load_model(self):
        """Carrega o modelo SentenceTransformer e embeddings sob demanda."""
        if self.model is not None:
            return
        
        if not SENTENCE_TRANSFORMER_AVAILABLE:
            logger.warning("SentenceTransformer não disponível")
            return
        
        start_time = time.time()
        
        try:
            # Tenta carregar normalmente
            self.model = SentenceTransformer('all-MiniLM-L6-v2')
            logger.info("Modelo SentenceTransformer carregado com sucesso")
        except Exception as e:
            logger.warning(f"Erro inicial ao carregar modelo: {e}")
            logger.warning("Tentando recuperar de cache corrompido/download incompleto...")
            
            try:
                # Tenta limpar cache específico se possível ou carregar forçando
                # Como SentenceTransformer não expõe force_download fácil no init, 
                # tentamos carregar ignorando cache ou reinstanciando
                # Na verdade, a melhor forma é tentar baixar via snapshot_download
                from huggingface_hub import snapshot_download
                
                logger.info("Forçando download do snapshot...")
                snapshot_download(repo_id="sentence-transformers/all-MiniLM-L6-v2", force_download=True)
                
                # Tenta carregar novamente após forçar download
                self.model = SentenceTransformer('all-MiniLM-L6-v2')
                logger.info("Modelo recuperado e carregado com sucesso!")
                
            except Exception as e2:
                logger.error(f"Falha crítica ao carregar modelo: {e2}")
                self.model = None
            
        self._check_embeddings()
        duration = time.time() - start_time
        logger.info(f"Modelo carregado em {duration:.2f}s")

    def _check_embeddings(self):
        """Verifica ou cria embeddings no banco de dados."""
        if self.model and not self.embeddings:
            try:
                self.embeddings = {"conhecimento_base": "placeholder_embedding_data"}
            except Exception as e:
                logger.warning(f"Não foi possível carregar embeddings: {e}")

    def analisar_emocoes_mensagem(self, mensagem: str) -> Dict[str, Any]:
        """
        Analisa o sentimento e emoção da mensagem (Heurística simples).
        
        Args:
            mensagem: Texto da mensagem para análise
            
        Returns:
            Dicionário com análise emocional
        """
        mensagem_lower = mensagem.strip().lower()

        # Análise de Sentimento
        pos_count = sum(mensagem_lower.count(w) for w in PALAVRAS_POSITIVAS)
        neg_count = sum(mensagem_lower.count(w) for w in PALAVRAS_NEGATIVAS)
        
        sentimento = "neutro"
        if pos_count > neg_count:
            sentimento = "positivo"
        elif neg_count > pos_count:
            sentimento = "negativo"
            
        # Determinar Emoção Predominante
        if sentimento == "positivo":
            emocao_predominante = "alegria"
        elif sentimento == "negativo":
            emocao_predominante = "frustração"
        else:
            emocao_predominante = "neutra"
            
        # Atualiza o estado
        self.emocao_atual = emocao_predominante
            
        return {
            "sentimento_detectado": sentimento,
            "emocao_predominante": emocao_predominante,
            "intensidade_positiva": pos_count,
            "intensidade_negativa": neg_count,
            "tom_sugerido": "casual" if sentimento != "neutro" else "neutro"
        }
    
    def analisar_intencao_e_normalizar(
        self, 
        mensagem: str, 
        historico: List[Tuple[str, str]]
    ) -> Dict[str, Any]:
        """
        Analisa a intenção, normaliza a mensagem e detecta sentimentos/estilo.
        
        Args:
            mensagem: Mensagem do usuário
            historico: Histórico de conversas
            
        Returns:
            Dicionário com análise completa
        """
        self._load_model()
        
        if not isinstance(mensagem, str):
            mensagem = str(mensagem)
        mensagem_lower = mensagem.strip().lower()

        # 1. Análise de Intenção
        intencao = "pergunta"
        if '?' not in mensagem_lower and ('porquê' not in mensagem_lower or 'porque' not in mensagem_lower):
            intencao = "afirmacao"
        if any(w in mensagem_lower for w in ['ola', 'oi', 'bom dia', 'boa tarde', 'boa noite', 'como vai']):
            intencao = "saudacao"
        if any(w in mensagem_lower for w in ['tchau', 'ate mais', 'adeus', 'fim', 'parar']):
            intencao = "despedida"
        
        # 2. Análise de Sentimento/Emoção
        try:
            emotion_analyzer = _get_emotion_analyzer()  # type: ignore[call-overload]
            nlp_config = getattr(config, 'NLP_CONFIG', None)
            nivel = getattr(nlp_config, 'level', 'advanced') if nlp_config else 'advanced'
            
            # Converte histórico para formato esperado
            historico_dict: List[Dict[str, str]] = []
            for h in historico:
                if isinstance(h, tuple) and len(h) >= 2:
                    historico_dict.append({"mensagem": h[0], "resposta": h[1]})
            
            # Verificação robusta para evitar "Object of type None cannot be called"
            if emotion_analyzer is not None and hasattr(emotion_analyzer, 'analisar'):
                analise_emocional = emotion_analyzer.analisar(
                    mensagem_lower, 
                    historico=historico_dict, 
                    nivel=nivel
                )
                self.emocao_atual = analise_emocional.get('emocao', 'neutra')
            else:
                raise ValueError("EmotionAnalyzer não possui método 'analisar'")
            
        except Exception as e:
            logger.warning(f"EmotionAnalyzer falhou, usando fallback heurístico: {e}")
            analise_emocional = self.analisar_emocoes_mensagem(mensagem_lower)
            
        # 3. Análise de Estilo
        estilo = "informal"
        if len(re.findall(r'[A-ZÀ-Ÿ]{3,}', mensagem)) >= 2 or re.search(r'\b(Senhor|Doutor|Atenciosamente)\b', mensagem, re.IGNORECASE):
            estilo = "formal"
            
        # 4. Outras bandeiras
        ironia = False
        meia_frase = False 
        usar_nome = random.random() < getattr(config, 'USAR_NOME_PROBABILIDADE', 0.7)

        return {
            "texto_normalizado": mensagem_lower,
            "intencao": intencao,
            "sentimento": analise_emocional.get('sentimento_detectado', 
                         analise_emocional.get('emocao', 'neutral')),
            "estilo": estilo,
            "contexto_ajustado": self.substituir_termos_aprendidos(mensagem_lower),
            "ironia": ironia,
            "meia_frase": meia_frase,
            "usar_nome": usar_nome,
            "emocao": self.emocao_atual,
            "confianca_emocao": analise_emocional.get('confianca', 0.5),
            "nivel_analise": analise_emocional.get('nivel_analise', 'heuristica')
        }

    def obter_historico(self, limite: int = 5) -> List[Tuple[str, str]]:
        """
        Recupera o histórico de mensagens do banco de dados.
        
        Args:
            limite: Número máximo de mensagens a recuperar
            
        Returns:
            Lista de tuplas (mensagem, resposta)
        """
        if not self.usuario:
            return []
            
        if self.db is None:
            return []
        
        try:
            # 🔥 CONTEXT ISOLATION: Usa conversation_id se disponível
            raw_result = self.db.recuperar_historico(
                self.usuario, 
                limite=limite,
                conversation_id=self.conversation_id
            )
            return raw_result if raw_result else []
        except Exception as e:
            logger.warning(f"Erro ao recuperar histórico: {e}")
            return []

    def obter_historico_expandido(self, limite: int = 30) -> List[Tuple[str, str]]:
        """
        Recupera histórico expandido (últimas 30 mensagens) para contexto completo.
        
        Args:
            limite: Número máximo de mensagens (padrão 30)
            
        Returns:
            Lista de tuplas (mensagem, resposta)
        """
        return self.obter_historico(limite=limite)

    def criar_resumo_topicos_conversa(self, historico: List[Tuple[str, str]]) -> Dict[str, Any]:
        """
        Cria resumo inteligente de tópicos da conversa em tempo real.
        USADO APENAS PARA CONTEXTO INTERNO DA API - NÃO VAI NAS RESPOSTAS!
        
        Args:
            historico: Histórico de conversas
            
        Returns:
            Dicionário com resumo de tópicos (para prompt interno apenas)
        """
        if not historico:
            return {"topicos": [], "resumo": "Conversa vazia"}
        
        # Análise de tópicos baseada em palavras-chave
        topicos_detectados = []
        mensagens_concat = " ".join([msg for msg, _ in historico]).lower()
        
        # Palavras-chave por categoria
        categorias = {
            "tecnologia": ["computador", "programa", "código", "app", "site", "internet", "ai", "bot"],
            "pessoal": ["eu", "minha", "meu", "vida", "família", "amigo", "trabalho"],
            "entretenimento": ["música", "filme", "jogo", "esporte", "notícia", "youtube"],
            "ajuda": ["ajuda", "como", "explicar", "ensinar", "dúvida", "problema"],
            "conversa": ["oi", "ola", "bom", "tudo", "bem", "como vai"]
        }
        
        for categoria, palavras in categorias.items():
            if any(palavra in mensagens_concat for palavra in palavras):
                topicos_detectados.append(categoria)
        
        # Resumo baseado no histórico
        num_mensagens = len(historico)
        resumo = f"Conversa com {num_mensagens} mensagens sobre: {', '.join(topicos_detectados[:3])}"
        
        return {
            "topicos": topicos_detectados,
            "resumo": resumo,
            "num_mensagens": num_mensagens,
            "timestamp": datetime.now().isoformat(),
            "nota": "ESTE RESUMO É APENAS PARA CONTEXTO INTERNO DA API - NÃO INCLUIR NAS RESPOSTAS!"
        }

    def processar_contexto_reply(
        self,
        mensagem: str,
        reply_metadata: Dict[str, Any],
        historico_geral: List[Tuple[str, str]]
    ) -> Dict[str, Any]:
        """
        Processa contexto específico de reply, mantendo histórico geral.
        Enhanced to properly search and analyze quoted message content.

        Args:
            mensagem: Mensagem atual
            reply_metadata: Metadados do reply
            historico_geral: Histórico geral da conversa

        Returns:
            Contexto enriquecido com reply
        """
        contexto_reply = {
            "is_reply": reply_metadata.get('is_reply', False),
            "reply_to_bot": reply_metadata.get('reply_to_bot', False),
            "quoted_author": reply_metadata.get('quoted_author_name', ''),
            "quoted_text": reply_metadata.get('quoted_text_original', ''),
            "context_hint": reply_metadata.get('context_hint', ''),
            "historico_geral": historico_geral,
            "resumo_topicos": self.criar_resumo_topicos_conversa(historico_geral)
        }

        # Enhanced reply processing
        if contexto_reply["is_reply"]:
            # Get the most complete quoted content
            quoted_content = self._extract_full_quoted_content(reply_metadata)
            contexto_reply["quoted_content_full"] = quoted_content

            # Analyze quoted content for context clues
            content_analysis = self._analyze_quoted_content_for_reply(quoted_content, mensagem)
            contexto_reply["content_analysis"] = content_analysis

            # Search for related context in history
            related_context = self._find_related_context_in_history(quoted_content, historico_geral)
            contexto_reply["related_context"] = related_context

            # Determine reply priority and type
            reply_priority = self._calculate_reply_priority(
                reply_metadata,
                quoted_content,
                mensagem
            )
            contexto_reply["reply_priority"] = reply_priority

            # Extract key topics from quoted content
            topics = self._extract_topics_from_quoted_content(quoted_content)
            contexto_reply["topics_identified"] = topics

        return contexto_reply

    def _extract_full_quoted_content(self, reply_metadata: Dict[str, Any]) -> str:
        """
        Extrai o conteúdo completo citado de vários campos de metadados.
        
        Args:
            reply_metadata: Metadados do reply
            
        Returns:
            Conteúdo completo citado
        """
        # Prioriza campos em ordem de completude
        fields_to_check = [
            'mensagem_citada',  # Campo completo se disponível
            'quoted_text_original',  # Texto original
            'quoted_text',  # Texto citado genérico
            'reply_content',  # Conteúdo do reply
            'full_message',  # Mensagem completa
        ]
        
        for field in fields_to_check:
            if field in reply_metadata and reply_metadata[field]:
                content = str(reply_metadata[field]).strip()
                if len(content) > 5:  #过滤太短的内容
                    return content
        
        # Fallback: tenta extrair de campos genéricos
        for key, value in reply_metadata.items():
            if isinstance(value, str) and len(value) > 10:
                # 检查是否是消息内容
                if any(word in value.lower() for word in ['eu', 'você', 'tu', 'mim', 'nosso', 'teu']):
                    return value.strip()
        
        return ""

    def _analyze_quoted_content_for_reply(
        self, 
        quoted_content: str, 
        current_message: str
    ) -> Dict[str, Any]:
        """
        Analisa o conteúdo citado para encontrar pistas de contexto.
        
        Args:
            quoted_content: Conteúdo citado
            current_message: Mensagem atual
            
        Returns:
            Análise do conteúdo citado
        """
        if not quoted_content:
            return {"empty": True}
        
        quoted_lower = quoted_content.lower()
        current_lower = current_message.lower()
        
        # 检测内容类型
        content_type = "general"
        if any(w in quoted_lower for w in ['?', 'qual', 'quando', 'onde', 'como', 'por que']):
            content_type = "question"
        elif any(w in quoted_lower for w in ['eu', 'mim', 'meu', 'minha', 'eu sou']):
            content_type = "personal"
        elif any(w in quoted_lower for w in ['akira', 'bot', 'você', 'vc']):
            content_type = "about_bot"
        
        # 检测主题关键词
        keywords = []
        keyword_mapping = {
            "tempo": ["tempo", "clima", "chover", "sol", "temperatura"],
            "musica": ["música", "musica", "youtube", "yt", "radiohead", "vampire weekend"],
            "traducao": ["traduz", "letra", "ingles", "english", "tradução"],
            "pesquisa": ["pesquisa", "web", "google", "busca", "buscar"],
            "emocao": ["triste", "feliz", "raiva", "amor", "medo", "alegria"],
        }
        
        for category, words in keyword_mapping.items():
            if any(w in quoted_lower for w in words):
                keywords.append(category)
        
        # 检测语气
        tone = "neutral"
        if any(w in quoted_lower for w in ['kkk', 'haha', '😂', '🤣']):
            tone = "humorous"
        elif any(w in quoted_lower for w in ['!!!', '???', 'nossa', 'eita']):
            tone = "excited"
        elif any(w in quoted_lower for w in ['.', '..', '...']):
            tone = "thoughtful"
        
        return {
            "content_type": content_type,
            "keywords": keywords,
            "tone": tone,
            "length": len(quoted_content),
            "has_question": '?' in quoted_content,
            "is_about_bot": "about_bot" in keywords,
            "has_emotion_keywords": len([k for k in keywords if k == "emocao"]) > 0
        }

    def _find_related_context_in_history(
        self, 
        quoted_content: str, 
        historico: List[Tuple[str, str]]
    ) -> List[Dict[str, Any]]:
        """
        Busca contexto relacionado no histórico baseado no conteúdo citado.
        
        Args:
            quoted_content: Conteúdo citado
            historico: Histórico de conversas
            
        Returns:
            Lista de contextos relacionados encontrados
        """
        if not quoted_content or not historico:
            return []
        
        related_contexts = []
        quoted_words = set(quoted_content.lower().split())
        
        for i, (msg_user, msg_bot) in enumerate(historico):
            if not msg_user or not msg_bot:
                continue
            
            # 计算相似度
            msg_words = set((msg_user + " " + msg_bot).lower().split())
            intersection = quoted_words.intersection(msg_words)
            
            if intersection:
                # 找到相关上下文
                similarity = len(intersection) / len(quoted_words.union(msg_words))
                
                if similarity > 0.1:  # 只返回相关度较高的
                    related_contexts.append({
                        "index": i,
                        "similarity": round(similarity, 3),
                        "user_message": msg_user[:100] if len(msg_user) > 100 else msg_user,
                        "bot_response": msg_bot[:100] if len(msg_bot) > 100 else msg_bot,
                        "common_words": list(intersection)[:5]
                    })
        
        # 按相似度排序
        related_contexts.sort(key=lambda x: x["similarity"], reverse=True)
        
        return related_contexts[:5]  # 返回前5个最相关的

    def _calculate_reply_priority(
        self, 
        reply_metadata: Dict[str, Any],
        quoted_content: str,
        current_message: str
    ) -> Dict[str, Any]:
        """
        Calcula a prioridade e tipo do reply.
        
        Args:
            reply_metadata: Metadados do reply
            quoted_content: Conteúdo citado
            current_message: Mensagem atual
            
        Returns:
            Dicionário com prioridade calculada
        """
        priority = 1  # 默认优先级
        priority_type = "normal"
        should_prioritize = False
        
        # 检测是否是回复给bot
        is_reply_to_bot = reply_metadata.get('reply_to_bot', False)
        
        # 检测是否是简短问题
        current_words = current_message.split()
        is_short_question = (
            len(current_words) <= 5 and 
            any(w in current_message.lower() for w in ['?', 'qual', 'quando', 'onde', 'como', 'oq'])
        )
        
        # 检测引用内容是否完整
        has_quoted_content = len(quoted_content) > 10
        
        # 计算优先级
        if is_reply_to_bot and is_short_question:
            priority = 4  # 最高优先级
            priority_type = "critical_short_question"
            should_prioritize = True
        elif is_reply_to_bot:
            priority = 3
            priority_type = "reply_to_bot"
            should_prioritize = True
        elif is_short_question:
            priority = 2
            priority_type = "short_question"
            should_prioritize = True
        elif has_quoted_content:
            priority = 1.5
            priority_type = "has_content"
        
        return {
            "priority": priority,
            "type": priority_type,
            "should_prioritize": should_prioritize,
            "is_reply_to_bot": is_reply_to_bot,
            "is_short_question": is_short_question,
            "has_quoted_content": has_quoted_content,
            "multiplier": min(priority / 2, 1.0)  # 优先级倍数
        }

    def _extract_topics_from_quoted_content(self, quoted_content: str) -> List[str]:
        """
        Extrai temas principais do conteúdo citado.
        
        Args:
            quoted_content: Conteúdo citado
            
        Returns:
            Lista de temas identificados
        """
        if not quoted_content:
            return []
        
        topics = []
        quoted_lower = quoted_content.lower()
        
        # 定义主题关键词
        topic_keywords = {
            "tempo_clima": ["tempo", "clima", "chover", "sol", "chuva", "temperatura", "amanhã", "hoje"],
            "musica": ["música", "musica", "youtube", "yt", "radiohead", "vampire weekend", "banda", "cantor", "link"],
            "traducao": ["traduz", "letra", "ingles", "english", "português", "portugues", "significado"],
            "pesquisa": ["pesquisa", "web", "google", "busca", "buscar", "encontrar", "procurar"],
            "emocoes": ["triste", "feliz", "raiva", "amor", "medo", "alegria", "sentimento", "sinto"],
            "tecnologia": ["programa", "código", "app", "site", "internet", "bot", "akira"],
            "vida": ["vida", "trabalho", "família", "familia", "amigo", "pessoa", "situação", "situacao"],
            "tradicao": ["tradição", "tradição", "cultura", "angola", "costume", "costumes"]
        }
        
        for topic, keywords in topic_keywords.items():
            if any(kw in quoted_lower for kw in keywords):
                topics.append(topic)
        
        # 如果没有找到主题，返回general
        if not topics:
            topics.append("general")
        
        return topics

    def _analisar_contexto_mensagem_citada(
        self, 
        mensagem_citada: str, 
        historico: List[Tuple[str, str]]
    ) -> Dict[str, Any]:
        """
        Analisa o contexto da mensagem citada no reply.
        
        Args:
            mensagem_citada: Texto da mensagem citada
            historico: Histórico geral
            
        Returns:
            Análise do contexto da mensagem citada
        """
        # Buscar similaridade com histórico
        similaridade_max = 0
        contexto_relacionado = ""
        
        for msg_user, msg_bot in historico:
            # Similaridade simples baseada em palavras comuns
            palavras_citada = set(mensagem_citada.lower().split())
            palavras_historico = set((msg_user + " " + msg_bot).lower().split())
            intersecao = palavras_citada.intersection(palavras_historico)
            
            if intersecao:
                similaridade = len(intersecao) / len(palavras_citada.union(palavras_historico))
                if similaridade > similaridade_max:
                    similaridade_max = similaridade
                    contexto_relacionado = msg_bot if msg_bot else msg_user
        
        return {
            "similaridade": similaridade_max,
            "contexto_relacionado": contexto_relacionado,
            "palavras_comuns": list(intersecao) if 'intersecao' in locals() else []
        }

    def atualizar_contexto(
        self, 
        mensagem: str, 
        resposta: str, 
        numero: Optional[str] = None
    ):
        """
        Salva a interação no banco e aciona aprendizado de termos.
        
        Args:
            mensagem: Mensagem do usuário
            resposta: Resposta gerada
            numero: Número de telefone
        """
        if not self.usuario:
            usuario = 'anonimo'
        else:
            usuario = self.usuario
            
        final_numero = numero if numero else self.usuario
        
        try:
            if self.db is not None:
                self.db.salvar_mensagem(usuario, mensagem, resposta, numero=final_numero)
            
            historico = self.obter_historico(limite=10)
            self.aprender_do_historico(mensagem, resposta, historico) 
            
            if final_numero:
                self.salvar_estado_contexto_no_db(str(final_numero) if final_numero else "desconhecido")

        except Exception as e:
            logger.warning(f'Falha ao salvar mensagem no DB: {e}')

    def salvar_estado_contexto_no_db(self, user_key: str):
        """
        Persiste o estado atual da classe Contexto no banco de dados.
        
        Args:
            user_key: Chave do usuário (deve ser string)
        """
        if self.db is None:
            return
            
        termos_json = json.dumps(self.termo_contexto)
        emocao_str = self.emocao_atual
        
        try:
            self.db.salvar_aprendizado_detalhado(user_key, "emocao_atual", json.dumps({"emocao": emocao_str}))
            
            self.db.salvar_contexto(
                user_key=user_key,
                historico="[]", 
                emocao_atual=emocao_str,
                termos=termos_json,
                girias=termos_json,
                tom=emocao_str 
            )
            logger.debug(f"Contexto do usuário {user_key} salvo no DB.")
        except Exception as e:
            logger.error(f"Falha ao salvar estado do contexto no DB: {e}")

    def aprender_do_historico(
        self, 
        mensagem: str, 
        resposta: str, 
        historico: List[Tuple[str, str]]
    ):
        """
        Aprende termos do histórico de conversas.
        
        Args:
            mensagem: Mensagem do usuário
            resposta: Resposta gerada
            historico: Histórico de conversas
        """
        if not self.usuario:
            return
            
        if self.db is None:
            return

        mensagem_lower = mensagem.lower()
        
        # Gírias angolanas comuns
        girias_angolanas = ['ya', 'bué', 'fixe', 'puto', 'kapa', 'muxima', 'kalai']
        
        for giria in girias_angolanas:
            if giria in mensagem_lower:
                try:
                    significado_placeholder = f'termo regional para {giria}'
                    
                    self.db.salvar_giria_aprendida(
                        self.usuario,
                        giria, 
                        significado_placeholder,
                        mensagem[:50]
                    )
                    
                    freq_atual = self.termo_contexto.get(giria, {}).get("frequencia", 0)
                    self.termo_contexto[giria] = {
                        "significado": significado_placeholder, 
                        "frequencia": freq_atual + 1
                    }
                    
                except Exception as e:
                    logger.warning(f"Erro ao salvar gíria no DB: {e}")
    
    def substituir_termos_aprendidos(self, mensagem: str) -> str:
        """
        Substitui termos aprendidos na mensagem.
        
        Args:
            mensagem: Mensagem original
            
        Returns:
            Mensagem com termos substituídos
        """
        for termo, info in self.termo_contexto.items():
            if isinstance(info, dict) and "significado" in info:
                # Substitui apenas a palavra inteira (case insensitive)
                mensagem = re.sub(
                    r'\b' + re.escape(termo) + r'\b', 
                    info["significado"], 
                    mensagem, 
                    flags=re.IGNORECASE
                )
        return mensagem
        
    def obter_aprendizado_detalhado(self, chave: str) -> Optional[Dict[str, Any]]:
        """
        Recupera aprendizados detalhados do usuário.
        
        Args:
            chave: Chave do aprendizado
            
        Returns:
            Dicionário com o aprendizado ou None
        """
        if not self.usuario:
            return None
        if self.db is None:
            return None
        try:
            raw_data = self.db.recuperar_aprendizado_detalhado(self.usuario, chave)
            if raw_data:
                if isinstance(raw_data, str):
                    return json.loads(raw_data)
                return raw_data
            return None
        except Exception as e:
            logger.warning(f"Erro ao obter aprendizado detalhado: {e}")
            return None
            
    def obter_emocao_atual(self) -> str:
        """Recupera a emoção atual do usuário."""
        return self.emocao_atual

    def ativar_espirito_critico(self):
        """Ativa o espírito crítico para respostas questionadoras."""
        self.espirito_critico = True

    def obter_aprendizados(self) -> Dict[str, Any]:
        """
        Retorna os aprendizados do usuário.
        
        Returns:
            Dicionário com termos, emoção e tom
        """
        aprendizados = {
            "termos": self.termo_contexto,
            "emocao_preferida": self.emocao_atual,
            "ton_predominante": self.ton_predominante
        }
        return aprendizados

    def salvar_conhecimento_base(self, chave: str, valor: Any):
        """Salva uma informação na base de conhecimento."""
        self.base_conhecimento[chave] = valor

    def obter_conhecimento_base(self, chave: str) -> Optional[Any]:
        """Obtém uma informação da base de conhecimento."""
        return self.base_conhecimento.get(chave)

    def obter_historico_para_llm(self) -> List[Dict[str, str]]:
        """
        Retorna o histórico no formato esperado pelos LLMs.
        
        Returns:
            Lista de dicionários com role e content
        """
        historico = self.obter_historico()
        if historico and len(historico) > 0:
            return [
                {"role": "user", "content": h[0]} if isinstance(h, tuple) and len(h) >= 2 else h
                for h in historico
            ]
        return []


# ================================================================
# FUNÇÕES AUXILIARES (para compatibilidade com testar_correcoes.py)
# ================================================================

def criar_contexto(db: Optional[Database], identificador: str) -> Contexto:
    """
    Factory function para criar contexto.
    
    Args:
        db: Instância do banco de dados
        identificador: Identificador do usuário
        
    Returns:
        Instância de Contexto
    """
    return Contexto(db=db, usuario=identificador)


# Funções auxiliares para config.py
def eh_usuario_privilegiado(numero: str) -> bool:
    """
    Verifica se um número é de usuário privilegiado.
    
    Args:
        numero: Número de telefone
        
    Returns:
        True se for privilegiado
    """
    try:
        from .database import Database
        db = Database()
        return db.eh_privilegiado(numero)
    except Exception as e:
        logger.error(f"Erro ao verificar privilégios: {e}")
        return False


def forcar_modo_inicial_privilegiado(numero: str) -> str:
    """
    Retorna o modo de fala forçado para usuário privilegiado.
    
    Args:
        numero: Número de telefone
        
    Returns:
        Modo de fala
    """
    try:
        from .database import Database
        db = Database()
        modo = db.obter_modo_fala_privilegiado(numero)
        return modo if modo else "tecnico_formal"
    except Exception as e:
        logger.error(f"Erro ao obter modo de fala: {e}")
        return "tecnico_formal"


def analisar_tom_usuario(mensagem: str) -> str:
    """
    Analisa o tom de uma mensagem.
    
    Args:
        mensagem: Texto da mensagem
        
    Returns:
        Tom detectado
    """
    contexto = Contexto(db=None, usuario=None)
    analise = contexto.analisar_emocoes_mensagem(mensagem)
    return analise.get("tom_sugerido", "neutro")


def determinar_nivel_transicao(
    numero: str, 
    tom: str, 
    nivel_atual: int
) -> int:
    """
    Determina o nível de transição baseado no tom.
    Usa transição LENTA e gradual conforme configurações do config.
    
    Args:
        numero: Número do usuário
        tom: Tom detectado
        nivel_atual: Nível atual
        
    Returns:
        Novo nível de transição (mudança muito gradual)
    """
    # threshold configurado no config.py (atual: 0.9)
    threshold = getattr(config, 'TRANSICAO_HUMOR_THRESHOLD', 0.9)
    nivel_max = getattr(config, 'NIVEL_TRANSICAO_MAX', 1)
    
    # Com threshold de 0.9, só muda se tiver 90% de certeza
    # Com nivel_max = 1, só pode mudar 1 nível por vez (muito lento)
    
    if tom in ["formal", "tecnico_formal"]:
        return min(nivel_atual + 1, nivel_max)
    elif tom in ["casual", "informal"]:
        return max(nivel_atual - 1, 1)
    return nivel_atual