from collections import Counter
import json

def predict_category(new_incident, k=3, supabase=None, embed_text=None):
    """
    Predice la categoría de un nuevo incidente basándose en similitudes con embeddings
    almacenados en Supabase. Retorna los niveles de clasificación, el id_case más similar
    y el tareas_json completo asociado.
    """

    if supabase is None or embed_text is None:
        raise ValueError("Debes proporcionar los parámetros 'supabase' y 'embed_text'.")

    # Obtener embedding del nuevo incidente
    query_emb = embed_text(new_incident)

    # Llamada al procedimiento remoto en Supabase
    result = supabase.rpc("match_case_email", {
        "query_embedding": query_emb,
        "match_count": k
    }).execute()


    matches = result.data
    if not matches:
        return {
            "niveles": None,
            "id_case": None,
            "tareas_json": None
        }

    # Mostrar matches y validar tareas_json
    for i, m in enumerate(matches):
        print(f"\n🔍 Match #{i+1} - ID_CASE: {m['id_case']} - Similaridad: {m['similarity']:.2f}")
        if m.get("tareas_json"):
            print("🧠 tareas_json detectado ✅")
            print(str(m["tareas_json"])[:500])  # solo muestra primeros 500 caracteres
        else:
            print("⚠️ tareas_json está vacío o es None ❌")

    # Clasificación por mayoría (niveles)
    niveles = {}
    for lvl in ["case_level_0", "case_level_1", "case_level_2", "case_level_3"]:
        valores = [m[lvl] for m in matches if m.get(lvl)]
        niveles[lvl.replace("case_", "nivel_")] = Counter(valores).most_common(1)[0][0] if valores else None

    print("\n📥 Input del cliente:")
    print(new_incident)

    print("\n🔎 Casos similares:")
    for m in matches:
        print(
            f"  ({m['similarity']:.2f}) [{m['id_case']}] {m['description_context']} → "
            f"{m['case_level_0']} / {m['case_level_1']} / {m['case_level_2']} / {m['case_level_3']}"
        )

    print("\n📊 Clasificación:")
    for key, val in niveles.items():
        print(f"  {key.capitalize()}: {val}")

    # Obtener el match con mayor similarity (siempre, tenga o no tareas_json)
    match_mas_similar = matches[0] if matches else None

    # Obtener el match con tareas_json válido y mejor similarity
    match_con_tareas = next(
        (m for m in sorted(matches, key=lambda x: x["similarity"], reverse=True)
        if m.get("tareas_json")),
        None
    )

    if not match_con_tareas:
        print("❌ Ningún match tiene tareas_json válido.")
        resumen = (
            f"📥 **Correo contextualizado:**\n{new_incident}\n\n"
            "🔎 **Casos similares encontrados (sin tareas_json):**\n"
            + "\n".join([
                f"({m['similarity']:.2f}) [ID_CASE {m['id_case']}] {m['description_context']} → "
                f"{m['case_level_0']} / {m['case_level_1']} / {m['case_level_2']} / {m['case_level_3']}"
                for m in matches
            ])
        )
        return {
            "niveles": niveles,
            "id_case": None,
            "tareas_json": None,
            "resumen": resumen
        }

    # Extraer el tareas_json completo (sin cortar)
    tareas_json = match_con_tareas["tareas_json"]
    id_case_con_tareas = match_con_tareas["id_case"]
    id_case_mas_similar = match_mas_similar["id_case"]

    # Extraer la clasificación del caso más similar (real)
    nivel_0 = match_mas_similar.get("case_level_0")
    nivel_1 = match_mas_similar.get("case_level_1")
    nivel_2 = match_mas_similar.get("case_level_2")
    nivel_3 = match_mas_similar.get("case_level_3")


    print(f"\n✅ Retornando tareas_json del caso más similar (ID_CASE: {id_case_mas_similar})")

    # 🔹 Construir resumen legible para interfaz
    resumen = f"📥 Interpretación del correo:\n{new_incident}\n\n"

    resumen += "🔎 Casos similares de Product Issues en Vibia encontrados desde Julio 2025:\n"
    for m in matches[:3]:
        resumen += (
            f"  🎯 Caso Nº {m['id_case']} (score: {m['similarity']:.2f}) : {m['description_context'][:400]}...\n"
            f"  Clasificación → {m['case_level_0']} / {m['case_level_1']} / {m['case_level_2']} / {m['case_level_3']}\n\n"
        )

    resumen += (
        f"🧠 Clasificación recomendada (basada en el caso más similar Nº {id_case_mas_similar})\n"
        f"  Level 0: {nivel_0}\n"
        f"  Level 1: {nivel_1}\n"
        f"  Level 2: {nivel_2}\n"
        f"  Level 3: {nivel_3}\n\n"
    )


    # ✅ Retornar ambos: resumen legible + datos técnicos
    return {
        "resumen": resumen,
        "niveles": niveles,
        "id_case": id_case_con_tareas,
        "tareas_json": tareas_json
    }