import asyncio
import json
import logging
from time import perf_counter
from typing import Dict, Any, List, Optional

import vertexai
from google.api_core.exceptions import NotFound
from vertexai.generative_models import FunctionDeclaration, GenerativeModel, Part, Tool

from app.core.settings import settings
from app.models.tool_model import ToolDefinition

logger = logging.getLogger(__name__)

IMAGE_ANALYSIS_FAILURE_MESSAGE = "Nao consegui identificar os dados da imagem. Descreva o documento ou envie uma foto mais nitida."
INVALID_RECEIPT_WATERMARK_MESSAGE = "O comprovante enviado nao e valido. Envie um comprovante valido com a marca d'agua SysaltiIA visivel."
VALID_RECEIPT_WATERMARK_MARKER = "[watermark_sysaltiia_ok]"
IMAGE_ANALYSIS_BLOCKING_PREFIXES = (
    IMAGE_ANALYSIS_FAILURE_MESSAGE.lower(),
    INVALID_RECEIPT_WATERMARK_MESSAGE.lower(),
)

# Essa classe encapsula a integracao com o Vertex AI:
# inicializacao, cache de modelos e serializacao das tools.
class LLMService:
    _vertex_initialized = False
    _models: dict[str, GenerativeModel] = {}
    _vertex_tools_cache: dict[str, Optional[List[Tool]]] = {}

    def __init__(self):
        """Inicializa o cliente Vertex AI e define modelos de fallback."""
        if not LLMService._vertex_initialized:
            vertexai.init(
                project=settings.google_project_id,
                location=settings.google_location,
            )
            LLMService._vertex_initialized = True

        configured = settings.vertex_model_name.strip()
        fallback_models = ["gemini-2.5-pro", "gemini-2.5-flash", "gemini-2.0-flash-001"]
        self.model_names = [configured] + [m for m in fallback_models if m != configured]

    def _log_llm_event(self, event: str, **payload) -> None:
        logger.info("llm_service_event=%s payload=%s", event, payload)

    # Transforma anexos de imagem em uma mensagem textual pronta para o orquestrador.
    async def extract_image_workflow_message(
        self,
        *,
        caption: str | None,
        attachments: List[Dict[str, Any]],
    ) -> str:
        """Analisa imagem(ns) e devolve uma mensagem textual pronta para o orquestrador."""
        if not attachments:
            return str(caption or "").strip()

        prompt = self._build_image_workflow_prompt(caption=caption)

        contents: List[Any] = [prompt]
        for attachment in attachments:
            raw_data = attachment.get("data")
            mime_type = str(attachment.get("mime_type") or "image/jpeg").strip() or "image/jpeg"
            if not isinstance(raw_data, (bytes, bytearray)) or not raw_data:
                continue
            contents.append(Part.from_data(data=bytes(raw_data), mime_type=mime_type))

        if len(contents) == 1:
            return IMAGE_ANALYSIS_FAILURE_MESSAGE

        response = None
        last_error = None
        selected_model_name = None
        attempts = 0
        started_at = perf_counter()
        for model_name in self.model_names:
            attempts += 1
            try:
                model = self._get_model(model_name)
                response = await asyncio.to_thread(model.generate_content, contents)
                selected_model_name = model_name
                break
            except NotFound as err:
                last_error = err
                LLMService._models.pop(model_name, None)
                continue

        if response is None:
            self._log_llm_event(
                "image_workflow_failed",
                elapsed_ms=round((perf_counter() - started_at) * 1000, 2),
                attempts=attempts,
                attachments_count=len(attachments),
                caption_present=bool(str(caption or "").strip()),
            )
            if last_error:
                raise RuntimeError(
                    f"Nenhum modelo Vertex disponivel para analise de imagem. Erro: {last_error}"
                ) from last_error
            raise RuntimeError("Falha ao analisar imagem no Vertex AI.")

        payload = self._extract_response_payload(response)
        self._log_llm_event(
            "image_workflow_completed",
            model_name=selected_model_name,
            elapsed_ms=round((perf_counter() - started_at) * 1000, 2),
            attempts=attempts,
            attachments_count=len(attachments),
            caption_present=bool(str(caption or "").strip()),
        )
        extracted_text = (payload.get("response") or "").strip() or (caption or "").strip()
        return self._coerce_image_workflow_response(extracted_text)

    # Define o prompt de extracao usado para comprovantes e multas em imagem.
    def _build_image_workflow_prompt(self, *, caption: str | None) -> str:
        normalized_caption = (caption or "").strip() or "sem legenda"
        return (
            "Voce esta preparando uma mensagem textual curta para um orquestrador de atendimento automotivo e locacao. "
            "Analise a imagem enviada pelo usuario e a legenda opcional. "
            "Se a imagem for comprovante de pagamento ou nota fiscal, so considere o documento valido quando houver no fundo a marca d'agua exatamente escrita como SysaltiIA, com essa mesma grafia. "
            f"Se essa marca d'agua SysaltiIA nao estiver visivel com clareza, responda exatamente: {INVALID_RECEIPT_WATERMARK_MESSAGE} "
            f"Se o comprovante de pagamento ou a nota fiscal estiver valido com a marca d'agua correta, prefixe a resposta exatamente com {VALID_RECEIPT_WATERMARK_MARKER} e um espaco antes do texto final. "
            "Se for comprovante de pagamento de aluguel, responda com uma frase objetiva em portugues no formato: "
            "Registrar pagamento de aluguel: contrato <...>; placa <...>; valor <...>; data_pagamento <...>; favorecido <...>; identificador_comprovante <...>; observacoes <...>. "
            "Se a data de pagamento incluir hora e minuto visiveis na imagem, preserve a data e a hora no campo data_pagamento no formato DD/MM/AAAA HH:MM. "
            "Nao reduza para somente a data quando a hora estiver visivel. "
            "Se apenas a data estiver visivel, use somente a data. "
            "Se for multa de transito relacionada a carro alugado, responda com uma frase objetiva em portugues no formato: "
            "Registrar multa de aluguel: placa <...>; contrato <...>; auto_infracao <...>; orgao_emissor <...>; valor <...>; data_infracao <...>; vencimento <...>; observacoes <...>. "
            "Se for outro documento automotivo util, resuma em uma frase com os dados importantes. "
            f"Se nao conseguir identificar com seguranca, responda exatamente: {IMAGE_ANALYSIS_FAILURE_MESSAGE} "
            "Use apenas dados observaveis e nao invente informacoes. "
            f"Legenda do usuario: {normalized_caption}"
        )


    # Aplica validacoes extras ao retorno multimodal antes de acionar o orquestrador.
    def _coerce_image_workflow_response(self, text: str) -> str:
        normalized = str(text or "").strip()
        if not normalized:
            return ""

        lowered = normalized.lower()
        marker = VALID_RECEIPT_WATERMARK_MARKER.lower()
        if lowered.startswith(marker):
            return normalized[len(VALID_RECEIPT_WATERMARK_MARKER):].strip()
        if lowered.startswith(IMAGE_ANALYSIS_FAILURE_MESSAGE.lower()) or lowered.startswith(
            INVALID_RECEIPT_WATERMARK_MESSAGE.lower()
        ):
            return normalized
        if self._looks_like_watermark_sensitive_image_response(normalized):
            return INVALID_RECEIPT_WATERMARK_MESSAGE
        return normalized

    # Reconhece respostas que so deveriam seguir com a confirmacao da watermark.
    def _looks_like_watermark_sensitive_image_response(self, text: str) -> bool:
        normalized = str(text or "").strip().lower()
        return bool(
            normalized.startswith("registrar pagamento de aluguel:")
            or normalized.startswith("nota fiscal")
            or normalized.startswith("comprovante")
            or "nota fiscal" in normalized
            or "comprovante" in normalized
        )

    def build_vertex_tools(self, tools: List[ToolDefinition]) -> Optional[List[Tool]]:
        """Converte tools internas para o formato esperado pelo Vertex AI."""
        # Vertex espera uma lista de Tool, com function_declarations agrupadas em um unico Tool.
        if not tools:
            return None

        cache_key = json.dumps(
            [
                {
                    "name": tool.name,
                    "description": tool.description,
                    "parameters": tool.parameters,
                }
                for tool in tools
            ],
            sort_keys=True,
            ensure_ascii=True,
            separators=(",", ":"),
        )
        cached = LLMService._vertex_tools_cache.get(cache_key)
        if cached is not None:
            return cached

        function_declarations = [
            FunctionDeclaration(
                name=tool.name,
                description=tool.description,
                parameters=tool.parameters,
            )
            for tool in tools
        ]

        vertex_tools = [Tool(function_declarations=function_declarations)]
        LLMService._vertex_tools_cache[cache_key] = vertex_tools
        return vertex_tools

    def _get_model(self, model_name: str) -> GenerativeModel:
        model = LLMService._models.get(model_name)
        if model is None:
            model = GenerativeModel(model_name)
            LLMService._models[model_name] = model
        return model

    def _extract_response_payload(self, response) -> Dict[str, Any]:
        candidate = response.candidates[0] if getattr(response, "candidates", None) else None
        content = getattr(candidate, "content", None)
        parts = list(getattr(content, "parts", None) or [])

        tool_call = None
        text_parts: list[str] = []
        for part in parts:
            function_call = getattr(part, "function_call", None)
            if function_call is not None and tool_call is None:
                tool_call = {
                    "name": function_call.name,
                    "arguments": dict(function_call.args),
                }
            text_value = getattr(part, "text", None)
            if isinstance(text_value, str) and text_value.strip():
                text_parts.append(text_value)

        response_text = "\n".join(text_parts).strip() or None
        return {
            "response": response_text,
            "tool_call": tool_call,
        }

    async def generate_response(
        self,
        message: str,
        tools: List[ToolDefinition],
        history: List[Dict[str, Any]] = None,
    ) -> Dict[str, Any]:
        """Gera resposta textual ou chamada de tool a partir da mensagem do usuario."""
        vertex_tools = self.build_vertex_tools(tools)

        response = None
        last_error = None
        selected_model_name = None
        attempts = 0
        started_at = perf_counter()

        # Tenta o modelo configurado e cai para nomes alternativos
        # quando o principal nao estiver disponivel no projeto/regiao.
        for model_name in self.model_names:
            attempts += 1
            try:
                model = self._get_model(model_name)
                chat = model.start_chat(history=history or [])
                send_kwargs = {"tools": vertex_tools} if vertex_tools else {}
                response = await asyncio.to_thread(chat.send_message, message, **send_kwargs)
                selected_model_name = model_name
                break
            except NotFound as err:
                last_error = err
                LLMService._models.pop(model_name, None)
                continue

        if response is None:
            self._log_llm_event(
                "generate_response_failed",
                elapsed_ms=round((perf_counter() - started_at) * 1000, 2),
                attempts=attempts,
                tools_count=len(tools or []),
                history_count=len(history or []),
            )
            if last_error:
                raise RuntimeError(
                    f"Nenhum modelo Vertex disponivel. Verifique VERTEX_MODEL_NAME e acesso no projeto. Erro: {last_error}"
                ) from last_error
            raise RuntimeError("Falha ao gerar resposta no Vertex AI.")

        payload = self._extract_response_payload(response)
        self._log_llm_event(
            "generate_response_completed",
            model_name=selected_model_name,
            elapsed_ms=round((perf_counter() - started_at) * 1000, 2),
            attempts=attempts,
            tools_count=len(tools or []),
            history_count=len(history or []),
            tool_call=bool(payload.get("tool_call")),
        )
        return payload

    async def warmup(self) -> None:
        """Preaquece conexao/modelo para reduzir latencia da primeira requisicao real."""
        try:
            await self.generate_response(
                message="Responda apenas: ok",
                tools=[],
            )
        except Exception:
            # Warmup e melhor esforco; falhas nao devem bloquear inicializacao.
            return