modules/thinking_engine.py

"""

================================================================================

THINKING ENGINE - Sistema de Pensamento Profundo Pré-Processamento

================================================================================

Similar a modelos com "thinking tokens" - analisa o que foi perguntado

ANTES de gerar resposta, resultando em respostas mais acertivas.



Features:

- Análise multi-camada da pergunta/contexto

- Embeddings especializados para pensamento

- Detecção de intent implícito

- Complexidade da pergunta

- Relacionamentos com LSTM context

- Cache de pensamentos

================================================================================

"""

import json
from typing import Dict, Any, Optional, List
from loguru import logger
from sentence_transformers import SentenceTransformer, util
import numpy as np

class ThinkingEngine:
    """Processa pensamento profundo antes de responder."""
    
    def __init__(self, db=None):
        """Inicializa com modelo de embedding para análise profunda."""
        self.db = db
        self.thinking_cache = {}
        self.model_thinking = None
        self._load_thinking_model()
    
    def _load_thinking_model(self):
        """Carrega modelo especializado para pensamento."""
        try:
            # Usa o modelo centralizado do config (com fallback embutido)
            from . import config
            self.model_thinking = config.get_embedding_model("all-MiniLM-L6-v2")
            if self.model_thinking:
                logger.success("✅ ThinkingEngine: Modelo de pensamento carregado via config")
            else:
                logger.warning("⚠️ ThinkingEngine: Config retornou None para o modelo")
        except Exception as e:
            logger.warning(f"⚠️ ThinkingEngine: Erro ao carregar modelo: {e}")
            self.model_thinking = None
    
    def think(

        self,

        mensagem: str,

        contexto_lstm: Optional[Dict[str, Any]] = None,

        historico_recente: Optional[List[str]] = None,

        is_group: bool = False,

        usuario: str = None,

        llm_manager: Any = None

    ) -> Dict[str, Any]:
        """

        Processa pensamento profundo sobre a pergunta/contexto.

        

        Args:

            mensagem: Mensagem do usuário

            contexto_lstm: Contexto LSTM (longo prazo)

            historico_recente: Últimas mensagens

            is_group: Se é em grupo

            usuario: Nome do usuário

            llm_manager: Instância de LLMManager para CoT Dinâmico (OpenRouter)

            

        Returns:

            Dict com análise profunda

        """
        
        if not self.model_thinking:
            return self._thinking_fallback(mensagem)
        
        cache_key = f"{usuario}:{mensagem[:50]}"
        if cache_key in self.thinking_cache:
            logger.debug(f"🧠 ThinkingEngine: Pensamento recuperado do cache")
            return self.thinking_cache[cache_key]
        
        try:
            thinking_result = {
                "depth": self._analyze_question_complexity(mensagem),
                "intent": self._detect_intent(mensagem),
                "entities": self._extract_entities(mensagem),
                "context_relevance": self._analyze_context_relevance(mensagem, contexto_lstm),
                "related_topics": self._find_related_topics(mensagem, contexto_lstm),
                "assumptions": self._detect_assumptions(mensagem),
                "required_sources": self._identify_sources(mensagem),
                "response_strategy": self._plan_response_strategy(mensagem, is_group),
                "quality_markers": self._identify_quality_markers(mensagem),
            }

            # 🧠 CoT Dinâmico: Chama o OpenRouter para raciocínio estruturado
            dynamic_thought = self._generate_dynamic_thought(
                mensagem, contexto_lstm, historico_recente, is_group, llm_manager, usuario
            )
            if dynamic_thought:
                thinking_result["dynamic_thought_trace"] = dynamic_thought
            
            # Cache por 30 minutos (300 chamadas)
            if len(self.thinking_cache) > 1000:
                self.thinking_cache.clear()
            
            self.thinking_cache[cache_key] = thinking_result
            
            logger.debug(f"🧠 ThinkingEngine: Pensamento realizado (depth={thinking_result['depth']})")
            return thinking_result
            
        except Exception as e:
            logger.warning(f"⚠️ ThinkingEngine erro: {e}")
            return self._thinking_fallback(mensagem)

    def _generate_dynamic_thought(

        self, 

        mensagem: str, 

        contexto_lstm: Optional[Dict[str, Any]], 

        historico_recente: Optional[List[str]],

        is_group: bool,

        llm_manager: Any,

        usuario: str = "desconhecido"

    ) -> Optional[str]:
        """Usa o OpenRouter para gerar um plano de raciocínio passo a passo."""
        if not llm_manager:
            logger.warning("⚠️ CoT Dinâmico abortado: llm_manager é None")
            return None
            
        if not hasattr(llm_manager, '_call_openrouter'):
            logger.warning(f"⚠️ CoT Dinâmico abortado: llm_manager ({type(llm_manager)}) não tem o método '_call_openrouter'")
            return None
            
        try:
            # Constrói um contexto enxuto para não gastar muitos tokens
            sys_prompt = (
                "Atuas como o Motor Analítico Interno da Akira V21.\n"
                "A tua ÚNICA tarefa é gerar um rascunho de raciocínio (plano lógico) sobre como a Akira deve responder a esta mensagem, deixa sempre claro akira que sua resposta deve ser curta e direta e séria.\n"
                "Reflete sobre:\n"
                f"1. A emoção e intenção oculta de {usuario}.\n"
                "2. Que factos devem ser procurados no histórico.\n"
                "3. Qual o tom (direto, empático, sério) a usar.\n"
                f"NOTA: A pessoa a falar contigo chama-se '{usuario}'. Usa o nome real na tua análise em vez de 'o utilizador'.\n"
                "NÃO dês a resposta final. Apenas planeia a estratégia de resposta em menos de 80 palavras ed deia sugestões de resposta pra akira usar, lembrando ela não mandar emojis. GERA O TEU PENSAMENTO EXCLUSIVAMENTE EM PORTUGUÊS."
            )
            
            if is_group:
                sys_prompt += "\nNOTA: Isto é um ambiente de GRUPO. Sê muito conciso e evita intervir desnecessariamente."
                
            if contexto_lstm:
                sys_prompt += "\n\n[MEMÓRIA LONGO PRAZO (LSTM)]"
                if 'topic_principal' in contexto_lstm:
                    sys_prompt += f"\n- Tópico Principal: {contexto_lstm['topic_principal']}"
                if 'unanswered_questions' in contexto_lstm and contexto_lstm['unanswered_questions']:
                    sys_prompt += f"\n- Perguntas Pendentes: {', '.join(contexto_lstm['unanswered_questions'][:2])}"
                if 'interaction_pattern' in contexto_lstm:
                    sys_prompt += f"\n- Padrão do Utilizador: {contexto_lstm['interaction_pattern']}"

            if historico_recente:
                sys_prompt += "\n\n[MEMÓRIA CURTO PRAZO (LISTEN)]\nÚltimas mensagens da conversa:\n"
                # Pega mais mensagens para entender conversas paralelas
                for msg in historico_recente[-15:]:
                    if isinstance(msg, dict) and "content" in msg:
                        sys_prompt += f"{msg['content']}\n"
                    else:
                        sys_prompt += f"{msg}\n"
                
            logger.info("🧠 Gerando CoT Dinâmico via OpenRouter...")
            
            # Chamada ultrarrápida usando o modelo setado no config
            thought = llm_manager._call_openrouter(
                system_prompt=sys_prompt,
                context_history=[],  # não passamos o histórico todo para ser super rápido
                user_prompt=mensagem,
                max_tokens=150
            )
            
            return thought
        except Exception as e:
            logger.warning(f"⚠️ Erro no CoT Dinâmico (Fallback ativado): {e}")
            return None

    
    def _analyze_question_complexity(self, mensagem: str) -> str:
        """Analisa complexidade da pergunta."""
        msg_lower = mensagem.lower()
        
        # Sinais de complexidade
        complex_markers = {
            "muito": 0.3, "profundo": 0.4, "explique": 0.35, "detalhe": 0.35,
            "por quê": 0.4, "como": 0.3, "quando": 0.25, "onde": 0.2,
            "comparação": 0.5, "diferença": 0.4, "relação": 0.4,
            "múltiplo": 0.45, "vários": 0.4, "tanto": 0.35,
        }
        
        score = 0.1  # Base
        for marker, weight in complex_markers.items():
            if marker in msg_lower:
                score += weight
        
        # Pontuação
        if "?" in mensagem:
            score += 0.1
        if "!" in mensagem:
            score -= 0.1
        
        score = min(1.0, score)
        
        if score < 0.2:
            return "simples"
        elif score < 0.5:
            return "moderada"
        elif score < 0.75:
            return "complexa"
        else:
            return "muito_complexa"
    
    def _detect_intent(self, mensagem: str) -> List[str]:
        """Detecta intent(s) implícito(s)."""
        intents = []
        msg_lower = mensagem.lower()
        
        intent_markers = {
            "informação": ["o que", "como", "por quê", "sabe sobre", "fala sobre", "explica"],
            "ação": ["faz", "cria", "envia", "modifica", "deleta", "inicia"],
            "opinião": ["acha", "gosta", "prefere", "ache", "pense", "achei"],
            "confirmação": ["certo", "verdade", "é mesmo", "sério", "confirma"],
            "contexto": ["em relação", "sobre isso", "quanto a", "nisso"],
            "humor": ["kkk", "haha", "ué", "lol", ":)", "rsrs"],
        }
        
        for intent, markers in intent_markers.items():
            if any(m in msg_lower for m in markers):
                intents.append(intent)
        
        return intents or ["indefinido"]
    
    def _extract_entities(self, mensagem: str) -> List[str]:
        """Extrai entidades mencionadas."""
        # Simples: palavras maiúsculas ou nomes comuns
        palavras = mensagem.split()
        entities = [p.strip(".,!?;:") for p in palavras if len(p) > 3 and p[0].isupper()]
        return entities[:5]  # Top 5
    
    def _analyze_context_relevance(

        self,

        mensagem: str,

        contexto_lstm: Optional[Dict[str, Any]]

    ) -> float:
        """Quanto a mensagem se relaciona com contexto de longo prazo."""
        if not contexto_lstm or not self.model_thinking:
            return 0.0
        
        try:
            topic_lstm = contexto_lstm.get("topic_principal", "")
            if not topic_lstm:
                return 0.0
            
            # Embedding similarity
            emb_msg = self.model_thinking.encode(mensagem, convert_to_tensor=False)
            emb_topic = self.model_thinking.encode(topic_lstm, convert_to_tensor=False)
            
            relevance = float(util.cos_sim(emb_msg, emb_topic)[0][0])
            return max(0.0, min(1.0, relevance))
        except:
            return 0.0
    
    def _find_related_topics(

        self,

        mensagem: str,

        contexto_lstm: Optional[Dict[str, Any]]

    ) -> List[str]:
        """Encontra tópicos relacionados no LSTM."""
        if not contexto_lstm:
            return []
        
        topics = []
        
        # Topics do LSTM (se houver)
        if contexto_lstm.get("subtopicas"):
            topics.extend(contexto_lstm["subtopicas"][:3])
        
        if contexto_lstm.get("conversation_path"):
            topics.extend(contexto_lstm["conversation_path"][-3:])
        
        return topics[:5]
    
    def _detect_assumptions(self, mensagem: str) -> List[str]:
        """Detecta assumptions que o usuário faz."""
        assumptions = []
        msg_lower = mensagem.lower()
        
        # Palavras que indicam assumption
        if "já" in msg_lower or "não sabe" in msg_lower:
            assumptions.append("assume_conhecimento_anterior")
        
        if "deve" in msg_lower or "deveria" in msg_lower:
            assumptions.append("expectativa_de_comportamento")
        
        if "sempre" in msg_lower or "nunca" in msg_lower:
            assumptions.append("generalização")
        
        return assumptions
    
    def _identify_sources(self, mensagem: str) -> List[str]:
        """Identifica que fontes seriam úteis."""
        sources = []
        msg_lower = mensagem.lower()
        
        if any(w in msg_lower for w in ["notícia", "última", "recente", "novo", "2024", "2025"]):
            sources.append("web_search")
        
        if any(w in msg_lower for w in ["wikipedia", "história", "quem foi", "quando"]):
            sources.append("wikipedia")
        
        if any(w in msg_lower for w in ["preço", "dólar", "bitcoin", "crypto", "cotação"]):
            sources.append("market_data")
        
        if any(w in msg_lower for w in ["clima", "tempo", "previsão", "chuva"]):
            sources.append("weather")
        
        return sources
    
    def _plan_response_strategy(self, mensagem: str, is_group: bool) -> str:
        """Define estratégia de resposta."""
        msg_lower = mensagem.lower()
        
        # Contexto do grupo
        if is_group:
            if any(w in msg_lower for w in ["vocês", "vcs", "todos", "@all"]):
                return "grupo_completo"
            else:
                return "grupo_individual"
        else:
            return "privado"
    
    def _identify_quality_markers(self, mensagem: str) -> Dict[str, bool]:
        """Identifica marcadores de qualidade da resposta esperada."""
        return {
            "needs_brevity": len(mensagem) < 20,
            "needs_detail": len(mensagem) > 100,
            "needs_humor": any(m in mensagem for m in ["kk", "kkk", ":)", "rsrs"]),
            "formal_tone": any(w in mensagem for w in ["sr.", "sra.", "prezado"]),
            "technical": any(w in mensagem.lower() for w in ["código", "api", "script", "função"]),
        }
    
    def _thinking_fallback(self, mensagem: str) -> Dict[str, Any]:
        """Fallback simples quando modelo não está disponível."""
        return {
            "depth": "moderada",
            "intent": ["indefinido"],
            "entities": [],
            "context_relevance": 0.5,
            "related_topics": [],
            "assumptions": [],
            "required_sources": [],
            "response_strategy": "padrão",
            "quality_markers": {
                "needs_brevity": False,
                "needs_detail": False,
                "needs_humor": False,
                "formal_tone": False,
                "technical": False,
            },
        }


# Singleton global
_thinking_engine_instance: Optional[ThinkingEngine] = None


def get_thinking_engine(db=None) -> ThinkingEngine:
    """Retorna instância singleton do ThinkingEngine."""
    global _thinking_engine_instance
    if _thinking_engine_instance is None:
        _thinking_engine_instance = ThinkingEngine(db=db)
    return _thinking_engine_instance