"""User-facing chat reply generator.

This is the ONLY path through which LLM text reaches a user.
Flow:
    user_message
        -> _detect_intent()   — fixed response for greeting/smalltalk/thanks
        -> _call_ollama()     — LLM for everything else
        -> guard_reply()      — CJK + language + hallucination guard

Usage:
    from chat.responder import generate_reply
    reply, meta = generate_reply("Привет", trace_id="ctrl-abc-chat")
"""
from __future__ import annotations

import os
import re
from typing import Any

from chat.guard import guard_reply, has_cjk

# ── Intent routing ────────────────────────────────────────────────────────────

_PUNCT_RE = re.compile(r"[^\w\s]", re.UNICODE)
_SPACE_RE = re.compile(r"\s+")

# Exact normalized phrases per intent (after lower + strip punctuation)
_INTENT_PATTERNS: dict[str, set[str]] = {
    "GREETING": {
        "привет", "здравствуйте", "здравствуй",
        "добрый день", "добрый вечер", "доброе утро",
        "hi", "hello",
    },
    "SMALLTALK": {
        "как дела", "как ты", "что нового",
        "как поживаешь", "как жизнь", "как ты дела",
    },
    "THANKS": {
        "спасибо", "благодарю", "спс",
        "благодарен", "благодарна", "большое спасибо",
    },
}

_INTENT_RESPONSES: dict[str, str] = {
    "GREETING": "Привет! Чем могу помочь?",
    "SMALLTALK": "Всё хорошо 🙂 Чем могу помочь?",
    "THANKS":    "Пожалуйста 🙂 Обращайтесь!",
}


def _normalize(text: str) -> str:
    """Lowercase + strip punctuation + collapse whitespace."""
    return _PUNCT_RE.sub("", text.lower()).strip()


def _detect_intent(text: str) -> str | None:
    """Return intent name if message matches a known pattern, else None."""
    normalized = _normalize(text)
    for intent, patterns in _INTENT_PATTERNS.items():
        if normalized in patterns:
            return intent
    return None


# ── System prompt ─────────────────────────────────────────────────────────────

_SYSTEM_PREFIX = (
    "Ты — полезный ассистент. "
    "Отвечай ТОЛЬКО на русском языке. "
    "Никогда не используй другие языки. "
    "Давай краткие, точные ответы.\n\n"
    "ПРАВИЛА:\n"
    "1. На приветствие ('Привет', 'Здравствуйте' и т.п.) отвечай одной короткой фразой. "
    "Не упоминай никаких проектов, задач, данных или инструментов.\n"
    "2. Если пользователь не указал проект или задачу — не выдумывай их. "
    "Никогда не генерируй цели, датасеты, прогресс, инструменты (pandas, CSV и т.д.) "
    "или шаги, которые не были явно упомянуты.\n"
    "3. Если намерение неясно — задай короткий уточняющий вопрос вместо того, "
    "чтобы предполагать контекст.\n"
    "4. По умолчанию отвечай коротко. Подробности давай только если явно попросят."
)

# Read model + generation settings at import time (env-driven)
_CHAT_MODEL: str = (
    os.environ.get("CHAT_MODEL")
    or os.environ.get("OLLAMA_MODEL", "qwen2.5:7b")
)
_MAX_TOKENS: int = int(os.environ.get("CHAT_MAX_TOKENS", "150"))
_TEMPERATURE: float = float(os.environ.get("CHAT_TEMPERATURE", "0.3"))


def _call_ollama(prompt: str, trace_id: str | None = None) -> str:
    """Raw Ollama call — returns response text or empty string on error."""
    from adapters import ollama_adapter
    result = ollama_adapter.execute(
        prompt=prompt,
        model=_CHAT_MODEL,
        temperature=_TEMPERATURE,
        max_tokens=_MAX_TOKENS,
        timeout=30.0,
        trace_id=trace_id,
    )
    return (result.response or "").strip()


def generate_reply(
    user_message: str,
    trace_id: str | None = None,
) -> tuple[str, dict[str, Any]]:
    """Generate a reply for the user.

    Fast path: known intents (greeting, smalltalk, thanks) return fixed
    responses without calling the LLM.

    Slow path: everything else goes through Ollama + full guard pipeline.

    Returns:
        (reply_text, meta)
        meta keys: intent, cjk_detected, fallback_used, lang_incident,
                   model, max_tokens, temperature
    """
    tid = trace_id or "chat-notrace"

    # ── Fast path: intent routing ─────────────────────────────────────────────
    intent = _detect_intent(user_message)
    if intent:
        print(f"[INTENT] {intent}  trace_id={tid}  message={user_message!r}")
        return _INTENT_RESPONSES[intent], {
            "intent": intent,
            "cjk_detected": False,
            "fallback_used": False,
            "lang_incident": False,
            "model": "intent_router",
            "max_tokens": 0,
            "temperature": 0.0,
        }

    # ── Slow path: LLM + guard ────────────────────────────────────────────────
    prompt = f"{_SYSTEM_PREFIX}\n\nПользователь: {user_message}\nАссистент:"

    raw = _call_ollama(prompt, trace_id=tid)
    raw_has_cjk = has_cjk(raw)

    final, fallback_used, lang_incident = guard_reply(
        raw=raw,
        prompt=prompt,
        trace_id=tid,
        retry_fn=lambda p: _call_ollama(p, trace_id=f"{tid}-retry"),
        user_message=user_message,
    )

    meta: dict[str, Any] = {
        "intent": None,
        "cjk_detected": raw_has_cjk,
        "fallback_used": fallback_used,
        "lang_incident": lang_incident,
        "model": _CHAT_MODEL,
        "max_tokens": _MAX_TOKENS,
        "temperature": _TEMPERATURE,
    }
    return final, meta