import os
import dotenv
import datetime
from pathlib import Path

from langchain.agents import create_agent, AgentState
from langchain_openai import ChatOpenAI
from langchain_core.messages import (
    SystemMessage,
    HumanMessage,
    BaseMessage,
    trim_messages,
)
from openai import chat
from tools.tool_factory import get_all_tools
from langchain_core.runnables import RunnableConfig
from langchain.agents.middleware import before_model
from langgraph.runtime import Runtime
from typing import Any, List, Sequence
from langchain.messages import RemoveMessage
from langgraph.graph.message import REMOVE_ALL_MESSAGES
import sqlite3
from config.settings import settings
from langchain_core.messages.utils import count_tokens_approximately
from core.worker_manager import get_worker_tools
from utils.context_helper import safe_context_param
from utils.logger import chat_logger

dotenv.load_dotenv()


def create_system_prompt(
    backend_url: str = "", token: str = "", username: str = "default", context: str = ""
) -> str:
    # auth_status = "已认证" if token else "未认证"
    # backend_available = "API可用" if backend_url and token else "仅数据查询"
    # knowledge_status = (
    #     "知识库可用" if settings.KNOWLEDGE_BASE_ENABLED else "知识库已禁用"
    # )
    # echart_status = "图表可用" if settings.ECHARTS_ENABLED else "图表已禁用"

    # if settings.KNOWLEDGE_BASE_ENABLED:
    #     # 知识库启用时的提示词
    #     system_prompt = f"""龙嘉软件助手- 用户:{username} 认证:{auth_status} 服务:{backend_available} 知识库:{knowledge_status} 图表:{echart_status}
    # 职责：ERP数据查询和问题解答，按用户语言回答。

    # **核心安全指令 (必遵)**：
    # 1.  **当前凭据 (每次工具调用必须使用)**：
    #     - 后端地址: {backend_url if backend_url else '无'}
    #     - API令牌: {token if token else '无'}
    # 2.  **禁止沿用历史**：**严禁**从对话历史中复制、沿用任何旧的后端地址、令牌或工具参数。历史记录仅用于理解背景，其中的工具详情**不能**作为本次调用的参数来源。
    # 3.  **调用规范**：调用查询工具时，**必须且只能**使用上方提供的当前凭据。
    # 工作流：
    # 1. 分析问题意图，提取模块关键词
    # 2. 如果是数据查询类问题,直接调用相关工具查询数据
    # 3. 如果是其他问题,则通过工具搜索知识库,知识库工具使用流程:a.通过关键字获取相关文章列表,b.判断哪些文章最符合,c.再通过工具获取文章内容.严格按文章内容回复,不能编造答案.
    # 4. 关键词要精准，避免无意义词
    # 工具调用规格:
    # - 如果连续3次调用相同工具相同参数,自动停止
    # - 工具返回相同结果但仍在重复调用时,自动停止
    # 回答规则：
    # - 知识库找不到时提示"正在学习该问题"
    # - {"需要个人数据时验证认证状态" if backend_url else "仅提供数据查询和知识库支持"}
    # - 保护隐私，专业准确,精炼简要
    # 时间：{datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")}
    # 数据查询结果尽量以 Markdown 表格格式输出，格式如下：
    # | 列名1 | 列名2 | 列名3 |
    # | :--- | :--- | :--- |
    # | 数据1 | 数据2 | 数据3 |
    # | 数据4 | 数据5 | 数据6 |
    # """
    # else:
    #     # 知识库禁用时的提示词 - 灵活处理工具返回结果
    #     system_prompt = f"""龙嘉软件助手- 用户:{username} 认证:{auth_status} 服务:{backend_available} 知识库:{knowledge_status} 图表:{echart_status}
    # 职责：处理ERP数据查询类问题，按用户语言回答。
    # **核心安全指令 (必遵)**：
    # 1.  **当前凭据 (每次工具调用必须使用)**：
    #     - 后端地址: {backend_url if backend_url else '无'}
    #     - API令牌: {token if token else '无'}
    # 2.  **禁止沿用历史**：**严禁**从对话历史中复制、沿用任何旧的后端地址、令牌或工具参数。历史记录仅用于理解背景，其中的工具详情**不能**作为本次调用的参数来源。
    # 3.  **调用规范**：调用查询工具时，**必须且只能**使用上方提供的当前凭据。
    # 工作流：
    # 1. 分析问题意图，判断是否为数据查询类问题
    # 2. 如果是数据查询类问题，直接调用相关工具查询数据
    # 3. 根据工具返回的结果进行回答：
    # - 如果工具返回了具体数据，按数据内容回答
    # - 如果工具返回了错误信息（如"API返回错误","查询失败","没有权限"等），如实告知用户错误信息
    # - 如果工具返回空数据或"未找到数据"，如实告知用户
    # 4. 如果是非数据查询类问题（如疑问、流程、操作等），回复："知识库正在完善，无法回答该问题"
    # 工具调用规格:
    # - 禁止连续调用相同工具相同参数
    # - 工具返回相同结果但仍在重复调用时,自动停止
    # 回答规则：
    # - 如用户提出非ERP范围的问题(例如："你好"等闲聊),明确告知用户自己的职责：主要处理ERP数据查询类问题
    # - 工具提示没有权限时,明确回复用户没有权限
    # - 严格按工具返回的内容回答，不能编造答案,可对结果进行简单总结
    # - 当工具返回错误信息时，如实转达给用户，不要添加额外解释
    # - 保持专业、准确、简洁的回答风格
    # {"- 需要个人数据时验证认证状态" if backend_url else "- 仅提供数据查询支持"}
    # 当前时间：{datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")}
    # 数据查询结果尽量以 Markdown 表格格式输出，格式如下：
    # | 列名1 | 列名2 | 列名3 |
    # | :--- | :--- | :--- |
    # | 数据1 | 数据2 | 数据3 |
    # | 数据4 | 数据5 | 数据6 |
    # """

    context = safe_context_param(context)

    system_prompt = f"""
# 龙嘉AI助手-多Agent协调系统

## 用户信息
- 用户名: {username}

##上下文
上下文长度: {len(context)}

## 严格行为规则
你是一个调度器，**不是回答者**。你的唯一职责是决定是否调用工具。
每轮对话只能调用一次工具,不能连续调用。

## 决策规则
- 就算提供了上下文,你也**必须调用**合适的工具,不能直接回答用户问题。
- 如果无法判断调用那个工具,引导用户提供更多信息。

## 关键行为约束
### 当调用工具时：
1. 你**必须**调用合适的工具
2. 调用后**立即停止**,只能输出**"工具调用成功"**

## 重要警告
- 调用工具后，**不要**基于工具返回的结果继续生成回答
- 系统会自动将工具结果返回给用户
- 你在调用工具后,输出"工具调用成功",你的任务就结束了

当需要工具时
- **必须**调用合适的Worker工具
- **必须传递以下4个参数**：
  1. query: 用户问题
  2. backend_url: {backend_url if backend_url else '无'}
  3. token: {token if token else '无'}
  4. context: {f"###对话上下文开始###\n{context}\n###对话上下文结束###" if context else '无'}
- **输出格式**：必须且只能输出：`工具调用成功`

## 零容忍规则
**严禁参数错误**：每次调用都必须使用当前提供的backend_url/token，不能使用历史值
**严禁猜测**：如果不能确定，就调用工具

## 当前状态
- 时间: {datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")}
"""

    return system_prompt


def get_day_number(date=None):
    """获取日期编号 (YYYYMMDD 格式)"""
    if date is None:
        date = datetime.datetime.now()
    return date.strftime("%Y%m%d")  # 格式: 20251229


def get_sqlite_checkpointer():
    """创建按天分割的SQLite检查点保存器"""
    try:
        from langgraph.checkpoint.sqlite import SqliteSaver

        # 获取当前日期编号
        current_day = get_day_number()

        # 数据库文件存放目录
        project_root = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
        base_dir = os.path.join(project_root, "data", "checkpoints")
        os.makedirs(base_dir, exist_ok=True)

        # 数据库文件名格式: checkpoints_20251229.db
        db_filename = f"checkpoints_{current_day}.db"
        db_path = os.path.join(base_dir, db_filename)
        # checkpointer = SqliteSaver.from_conn_string(db_path)

        conn = sqlite3.connect(db_path, check_same_thread=False)
        conn.execute("PRAGMA wal_autocheckpoint=500")  # 2MB 就提交
        conn.execute("PRAGMA journal_size_limit=52428800")  # 最大 50MB
        checkpointer = SqliteSaver(conn)

        return checkpointer

    except Exception as e:
        print(f"[ERROR]创建 SQLite 检查器失败: {e}")
        import traceback

        traceback.print_exc()

        # 回退到内存保存器
        from langgraph.checkpoint.memory import InMemorySaver

        print("[WARN]使用 InMemorySaver 作为回退")
        return InMemorySaver()


def cleanup_old_checkpoints(max_days=7):
    """清理超过指定天数的旧检查点文件（可选功能）"""
    try:
        project_root = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
        base_dir = os.path.join(project_root, "data", "checkpoints")
        if not os.path.exists(base_dir):
            return

        # 获取当前日期
        current_date = datetime.datetime.now()

        # 遍历目录中的所有.db文件
        for filename in os.listdir(base_dir):
            if filename.startswith("checkpoints_") and filename.endswith(".db"):
                try:
                    print(f"检查旧检查点文件: {filename}")
                    # 提取日期 (checkpoints_day_20251229.db -> 20251229)
                    date_str = filename.replace("checkpoints_day_", "").replace(
                        ".db", ""
                    )
                    file_date = datetime.datetime.strptime(date_str, "%Y%m%d")

                    # 计算天数差
                    days_diff = (current_date - file_date).days

                    # 删除超过 max_days 天的旧数据
                    if days_diff > max_days:
                        file_path = os.path.join(base_dir, filename)
                        os.remove(file_path)
                        print(
                            f"[CLEAN]清理旧检查点文件: {filename} (超过 {max_days} 天)"
                        )

                except (ValueError, IndexError):
                    # 文件名不符合预期，跳过
                    continue

    except Exception as e:
        print(f"[WARN]清理旧检查点失败: {e}")


# 创建agent
def create_langchain_agent(
    backend_url: str = "",
    token: str = "",
    username: str = "default",
    thread_id: str = "default",
    context: str = "",
):
    llm = ChatOpenAI(
        model=settings.LLM_MODEL,
        temperature=settings.LLM_TEMPERATURE,
        api_key=settings.DEEPSEEK_API_KEY,
        base_url=settings.DEEPSEEK_BASE_URL,
        max_tokens=settings.LLM_MAX_TOKENS,
    )

    tools = get_worker_tools()
    # 添加调试信息
    # print(f"[DEBUG]Agent 创建调试信息:")
    # print(f"  - 用户: {username}")
    # print(f"  - Thread ID: {thread_id}")
    # print(f"  - 后端地址: {backend_url}")
    # print(f"  - Token: {'已提供' if token else '未提供'}")
    # print(f"  - worker数量: {len(tools)}")

    # for i, tool in enumerate(tools):
    #     print(f"  - worker {i+1}: {tool.name}")

    # 获取动态的system_prompt
    system_prompt = create_system_prompt(backend_url, token, username, context)
    # print(f"[DEBUG]上下文长度: {len(context)}")
    # print(system_prompt)
    # chat_logger.info(f"主Agent System Prompt上下文: {system_prompt}")

    @before_model
    def trim_messages_middleware(
        state: AgentState, runtime: Runtime
    ) -> dict[str, Any] | None:
        """使用官方trim_messages函数修剪消息"""
        messages = state.get("messages", [])
        print(f"trim_messages_middleware[DEBUG]原始消息数: {len(messages)}")
        # if len(messages) <= 3:
        #     return None  # 不需要修剪

        trimmed_messages = trim_messages(
            messages,
            max_tokens=500,
            strategy="last",  # 保留最近的对话
            token_counter=count_tokens_approximately,  # token计数器
            start_on="human",  # 从human消息开始计算轮次
            include_system=True,  # 包含系统消息
        )

        # 添加调试信息
        original_count = len(messages)
        trimmed_count = len(trimmed_messages)
        print(f"trim_messages_middleware[DEBUG]修剪后消息数: {trimmed_count}")

        if trimmed_count < original_count:
            print(f"[INFO]消息修剪: {original_count} -> {trimmed_count} 条消息")

        return {"messages": trimmed_messages}

    # 使用SQLiteSaver（按天分割）
    checkpointer = get_sqlite_checkpointer()
    # print(f"打印检查点保存器: {checkpointer}")

    # 可选：清理旧检查点（可配置为定期执行）
    if os.getenv("AUTO_CLEANUP", "false").lower() == "true":
        cleanup_old_checkpoints(max_days=7)  # 保留最近7天数据

    # agent = create_agent(
    #     llm,
    #     tools,
    #     checkpointer=checkpointer,
    #     system_prompt=system_prompt,
    #     middleware=[trim_messages_middleware],
    # )
    agent = create_agent(
        llm,
        tools,
        system_prompt=system_prompt,
    )
    return agent