from __future__ import annotations

import json
import logging
from typing import Any, Literal

from langchain_core.messages import AIMessage, HumanMessage, SystemMessage, ToolMessage

from src.conversation_memory import get_context
from src.llm import llm, multimodal_llm
from src.prompts import (
    direct_response_prompt,
    final_response_prompt,
    orchestrator_prompt,
    respond_prompt,
    router_prompt,
)
from src.state import MAX_ITERS, AgentState, QueryType
from src.tools.chat_tools import TOOL_MAP, TOOLS

logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s [%(levelname)s] %(name)s — %(message)s",
)
logger = logging.getLogger("agent_router")

_llm_with_tools = llm.bind_tools(TOOLS)

VALID_LABELS:  set[str]  = {"respond", "summary"}
DEFAULT_LABEL: QueryType = "respond"


# ════════════════════════════════════════════════════════════════════
# NODE 1 — RouterNode
# ════════════════════════════════════════════════════════════════════
def router_node(state: AgentState) -> AgentState:
    """Validate state, gọi LLM để phân loại query → query_type."""
    if not state.get("raw_query"):
        raise ValueError("AgentState thiếu trường 'raw_query'.")
    if not state.get("sender_id"):
        raise ValueError("AgentState thiếu trường 'sender_id'.")
    if not state.get("conversation_id"):
        raise ValueError("AgentState thiếu trường 'conversation_id'.")

    logger.info("[RouterNode] Phân loại query từ %s", state["sender_id"])

    chain     = router_prompt | llm
    response  = chain.invoke({
        "sender_id": state["sender_id"],
        "time":      state.get("time", ""),
        "raw_query": state["raw_query"],
    })

    raw_label  = response.content.strip().lower()
    query_type: QueryType = raw_label if raw_label in VALID_LABELS else DEFAULT_LABEL  # type: ignore

    if raw_label not in VALID_LABELS:
        logger.warning(
            "[RouterNode] Nhãn không hợp lệ '%s', fallback → '%s'",
            raw_label, DEFAULT_LABEL,
        )

    logger.info("[RouterNode] query_type = %s", query_type)
    return {**state, "query_type": query_type, "messages": [HumanMessage(content=state["raw_query"])]}


def route_decision(state: AgentState) -> Literal["respond", "orchestrator"]:
    """Conditional edge: router → respond | orchestrator."""
    return "respond" if state.get("query_type") == "respond" else "orchestrator"


# ════════════════════════════════════════════════════════════════════
# NODE 2 — LLMResponseNode (luồng respond)
# ════════════════════════════════════════════════════════════════════
def llm_response_node(state: AgentState) -> AgentState:
    """Trả lời trực tiếp câu hỏi không cần tra cứu lịch sử."""
    logger.info("[LLMResponseNode] Trả lời trực tiếp cho %s", state["sender_id"])

    msgs = respond_prompt.format_messages(sender_id=state["sender_id"], raw_query=state["raw_query"])
    if cp := state.get("custom_prompt"):
        msgs[0] = SystemMessage(content=msgs[0].content + f"\n\n═══ YÊU CẦU BỔ SUNG ═══\n{cp}")
    response = llm.invoke(msgs)
    answer   = response.content

    logger.info("[LLMResponseNode] Đã sinh câu trả lời (%d ký tự)", len(answer))
    return {**state, "messages": [AIMessage(content=answer)], "final_answer": answer}


# ════════════════════════════════════════════════════════════════════
# NODE 3 — OrchestratorNode
# ════════════════════════════════════════════════════════════════════
def orchestrator_node(state: AgentState) -> AgentState:
    """Gọi LLM (đã bind tool) để sinh tool_call. Dừng nếu đạt max_iters."""
    iters     = state.get("iters", 0)
    max_iters = state.get("max_iters", MAX_ITERS)

    logger.info("[OrchestratorNode] iters=%d / max_iters=%d", iters, max_iters)

    if iters >= max_iters:
        logger.info("[OrchestratorNode] Đã đạt max_iters, bỏ qua gọi tool.")
        return {**state, "iters": iters}

    prompt_value = orchestrator_prompt.format_messages(
        sender_id=state["sender_id"],
        conversation_id=state.get("conversation_id", ""),
        time=state.get("time", ""),
        raw_query=state["raw_query"],
    )

    response: AIMessage = _llm_with_tools.invoke(prompt_value)  # type: ignore
    logger.info(
        "[OrchestratorNode] tool_calls=%s",
        [tc["name"] for tc in (response.tool_calls or [])],
    )

    return {**state, "messages": [response], "iters": iters + 1}


def should_call_tool(state: AgentState) -> Literal["tool_node", "direct_response"]:
    """Conditional edge: orchestrator → tool_node | direct_response."""
    last_msg = state["messages"][-1] if state["messages"] else None
    if isinstance(last_msg, AIMessage) and last_msg.tool_calls:
        return "tool_node"
    return "direct_response"


# ════════════════════════════════════════════════════════════════════
# NODE 4 — DirectResponseNode
# ════════════════════════════════════════════════════════════════════
def direct_response_node(state: AgentState) -> AgentState:
    """Trả lời trực tiếp bằng LLM, kèm lịch sử chat từ Redis làm context."""
    logger.info("[DirectResponseNode] Trả lời trực tiếp cho %s", state["sender_id"])

    chat_history = get_context(state["conversation_id"])

    msgs = direct_response_prompt.format_messages(
        sender_id=state["sender_id"],
        raw_query=state["raw_query"],
        chat_history=chat_history,
    )
    if cp := state.get("custom_prompt"):
        msgs[0] = SystemMessage(content=msgs[0].content + f"\n\n═══ YÊU CẦU BỔ SUNG ═══\n{cp}")

    response = llm.invoke(msgs)
    answer   = response.content

    logger.info("[DirectResponseNode] Hoàn thành (%d ký tự)", len(answer))
    return {**state, "messages": [AIMessage(content=answer)], "final_answer": answer}


# ════════════════════════════════════════════════════════════════════
# NODE 5 — ToolNode (custom)
# ════════════════════════════════════════════════════════════════════
def _run_tool(tool_name: str, tool_args: dict[str, Any]) -> str:
    fn = TOOL_MAP.get(tool_name)
    if fn is None:
        return f"[Lỗi] Tool '{tool_name}' không tồn tại trong registry."
    try:
        result = fn.invoke(tool_args)
        return result if isinstance(result, str) else json.dumps(result, ensure_ascii=False)
    except Exception as e:
        logger.exception("[ToolNode] Tool '%s' gặp lỗi", tool_name)
        return f"[Lỗi] Tool '{tool_name}': {e}"


def tool_node(state: AgentState) -> AgentState:
    """Thực thi tất cả tool_calls trong AIMessage cuối, sinh ToolMessage(s)."""
    last_msg = state["messages"][-1]

    if not isinstance(last_msg, AIMessage) or not last_msg.tool_calls:
        logger.warning("[ToolNode] Không tìm thấy tool_call.")
        return state

    tool_messages: list[ToolMessage] = []
    for tc in last_msg.tool_calls:
        name, args, cid = tc["name"], tc.get("args", {}), tc["id"]
        logger.info("[ToolNode] Thực thi tool='%s' args=%s", name, args)
        result = _run_tool(name, args)
        logger.info("[ToolNode] Tool='%s' → %d ký tự", name, len(result))
        tool_messages.append(ToolMessage(content=result, tool_call_id=cid, name=name))

    return {**state, "messages": tool_messages}


# ════════════════════════════════════════════════════════════════════
# NODE 5 — FinalResponseNode
# ════════════════════════════════════════════════════════════════════
def _extract_tool_results(state: AgentState) -> str:
    parts = [f"[{m.name}]\n{m.content}" for m in state["messages"] if isinstance(m, ToolMessage)]
    return "\n\n".join(parts) if parts else "(Không có kết quả từ tool)"


# ════════════════════════════════════════════════════════════════════
# NODE 6 — ImageResponseNode
# ════════════════════════════════════════════════════════════════════
def image_response_node(state: AgentState) -> AgentState:
    """Nhận HumanMessage chứa ảnh + text, gọi multimodal LLM sinh câu trả lời."""
    logger.info("[ImageResponseNode] Xử lý ảnh cho %s", state["sender_id"])

    msgs = list(state["messages"])
    if cp := state.get("custom_prompt"):
        msgs.insert(0, SystemMessage(content=cp))
    response = multimodal_llm.invoke(msgs)
    answer   = response.content

    logger.info("[ImageResponseNode] Hoàn thành (%d ký tự)", len(answer))
    return {**state, "messages": [AIMessage(content=answer)], "final_answer": answer}


# ════════════════════════════════════════════════════════════════════
# NODE 5 — FinalResponseNode
# ════════════════════════════════════════════════════════════════════
def final_response_node(state: AgentState) -> AgentState:
    """Tổng hợp ToolMessage(s) và sinh câu trả lời cuối cùng."""
    logger.info("[FinalResponseNode] Tổng hợp câu trả lời...")

    msgs = final_response_prompt.format_messages(
        sender_id=state["sender_id"],
        raw_query=state["raw_query"],
        tool_results=_extract_tool_results(state),
    )
    if cp := state.get("custom_prompt"):
        msgs[0] = SystemMessage(content=msgs[0].content + f"\n\n═══ YÊU CẦU BỔ SUNG ═══\n{cp}")
    response = llm.invoke(msgs)
    answer   = response.content

    logger.info("[FinalResponseNode] Hoàn thành (%d ký tự)", len(answer))
    return {**state, "messages": [AIMessage(content=answer)], "final_answer": answer}