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
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

dotenv.load_dotenv()


def create_system_prompt(
    backend_url: str = "", token: str = "", username: str = "default"
) -> 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"
    )
    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}
职责：ERP数据查询和问题解答，按用户语言回答。所有回答严格按工具提供的数据，不能编造答案。
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
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
{"- 后端地址: " + backend_url if backend_url else ""}
{"- API用户的认证令牌: " + token if token else ""}
| :--- | :--- | :--- |
| 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 - 严格限制回答范围
        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}
职责：仅处理ERP数据查询类问题。
严格限制：
- 知识库功能已禁用，无法回答任何非数据查询类问题
- 禁止回答：疑问解答、操作流程、功能介绍、知识咨询等非数据查询问题
- 禁止使用个人知识或经验进行回答
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. 如果是非数据查询类问题（包括疑问、流程、操作等），必须明确回复："知识库正在完善，无法回答该问题"
回答规则：
- 非数据查询问题必须回复："知识库正在完善，无法回答该问题"
- 禁止尝试回答或提供任何建议
- 禁止解释原因或提供替代方案
- 严格按工具提供的数据回答数据查询问题，不能编造答案
- {"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"}
{"- 后端地址: " + backend_url if backend_url else ""}
{"- API用户的认证令牌: " + token if token else ""}
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 |
"""
    print(system_prompt)
    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",
):
    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_all_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"  - 工具数量: {len(tools)}")

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

    # 获取动态的system_prompt
    system_prompt = create_system_prompt(backend_url, token, username)

    def simple_turn_based_trim(
        messages: Sequence[BaseMessage],
        keep_turns: int = 3,
        system_message: BaseMessage = None,
    ) -> List[BaseMessage]:
        """
        修正版：按完整对话轮次修剪消息
        每轮对话从Human开始，到下一个Human之前结束
        """
        if not messages:
            return []
        # 分离系统消息（始终保留）
        system_messages = []
        other_messages = []
        for msg in messages:
            if (
                isinstance(msg, SystemMessage)
                or getattr(msg, "type", None) == "system"
                or getattr(msg, "role", None) == "system"
                or msg.__class__.__name__ == "SystemMessage"
            ):
                system_messages.append(msg)
            else:
                other_messages.append(msg)

        if len(other_messages) <= 1:
            return system_messages + other_messages

        # 找出所有Human消息的位置
        human_indices = []
        for i, msg in enumerate(other_messages):
            if (
                isinstance(msg, HumanMessage)
                or getattr(msg, "type", None) == "human"
                or getattr(msg, "role", None) == "user"
            ):
                human_indices.append(i)

        # 如果Human消息不足keep_turns轮，返回所有
        if not human_indices or len(human_indices) <= keep_turns:
            return system_messages + other_messages

        # 计算起始索引
        start_idx = human_indices[-keep_turns]

        # 获取要保留的消息
        preserved_messages = other_messages[start_idx:]

        # 4. 返回从该索引开始的所有消息
        result = system_messages + preserved_messages
        # print(f"修剪后消息数: {len(result)}")

        return result

    @before_model
    def trim_messages(state: AgentState, runtime: Runtime) -> dict[str, Any] | None:
        """Keep only the last few messages to fit context window."""
        messages = state["messages"]

        if len(messages) <= 3:
            return None  # No changes needed

        # 保留最后4轮对话
        trimmed_messages = simple_turn_based_trim(messages, keep_turns=4)

        return {"messages": [RemoveMessage(id=REMOVE_ALL_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],
    )

    return agent