"""
Цикл ReAct (Reasoning + Acting) для вызова внешних инструментов.
Модель может генерировать мысль и действие, вызывать инструмент,
получать результат и продолжать, пока не будет готов финальный ответ.
"""

import json
import logging
from typing import List, Dict, Any, Callable, Awaitable, Optional

from rag.services.giga_client import GigaClient
from rag.config_models import AppConfig

logger = logging.getLogger(__name__)


async def react_loop(
    query: str,
    history: List[Dict[str, str]],
    tools: List[Dict[str, Any]],
    config: AppConfig,
    giga: GigaClient,
    prompts: Dict[str, str],
    max_iterations: int = 5,
) -> str:
    """
    Выполняет ReAct-цикл для генерации ответа с использованием внешних инструментов.

    Аргументы:
        query: текущий запрос пользователя.
        history: история диалога (список сообщений с role и content).
        tools: список описаний инструментов. Каждый элемент:
            {
                "name": str,
                "description": str,
                "parameters": dict,  # JSON-схема параметров
                "handler": Callable[..., Awaitable[str]],  # асинхронная функция
            }
        config: конфигурация.
        giga: клиент GigaChat.
        prompts: словарь с промптами (ключ 'react_system').
        max_iterations: максимальное количество итераций.

    Возвращает:
        str: финальный ответ.

    Исключения:
        RuntimeError: если превышен лимит итераций или возникла критическая ошибка.
    """
    # Формируем системный промпт с описанием инструментов
    system_prompt_template = prompts.get("react_system")
    if not system_prompt_template:
        raise ValueError("Промпт react_system не найден")

    # Описание инструментов для модели
    tools_desc = []
    for tool in tools:
        tools_desc.append(f"- {tool['name']}: {tool['description']} (параметры: {tool.get('parameters', {})})")
    tools_description = "\n".join(tools_desc)

    system_prompt = system_prompt_template.format(tools_description=tools_description)

    # Создаём внутреннюю историю (копируем переданную, но не модифицируем)
    internal_history = history.copy() if history else []

    # Добавляем текущий запрос как сообщение пользователя (если его нет в конце)
    if not internal_history or internal_history[-1].get("role") != "user" or internal_history[-1].get("content") != query:
        internal_history.append({"role": "user", "content": query})

    iteration = 0
    while iteration < max_iterations:
        iteration += 1
        logger.debug(f"ReAct итерация {iteration}")

        # Формируем промпт (можно использовать стандартный билдер, но здесь упрощённо)
        messages = [{"role": "system", "content": system_prompt}] + internal_history
        # Добавляем указание формата вывода
        messages.append({"role": "user", "content": "Выведи JSON с действием или финальным ответом."})

        # Вызываем GigaChat
        response = await giga.chat(
            history=messages,  # history передаётся как список сообщений
            query="",  # не нужно, так как мы уже включили в history
            system_prompt=None,
            file_id=None,
            temperature=getattr(config, 'react_temperature', 0.3),
        )

        # Парсим JSON
        try:
            data = json.loads(response.strip())
        except json.JSONDecodeError:
            logger.error(f"Невалидный JSON от модели: {response[:200]}")
            # В качестве fallback пробуем извлечь final_answer или action вручную
            # Если не удаётся, считаем, что это финальный ответ
            if "final_answer" in response.lower():
                # грубое извлечение
                import re
                match = re.search(r'"final_answer"\s*:\s*"([^"]+)"', response)
                if match:
                    return match.group(1)
            # Если ничего не вышло, выбрасываем ошибку
            raise RuntimeError(f"Модель вернула невалидный JSON на итерации {iteration}: {response[:200]}")

        # Проверяем наличие финального ответа
        if "final_answer" in data:
            return data["final_answer"]

        # Проверяем наличие действия
        action = data.get("action")
        action_input = data.get("action_input", {})

        if not action:
            # Если нет ни final_answer, ни action, считаем, что модель ошиблась
            # Добавляем сообщение об ошибке в историю и продолжаем
            internal_history.append({"role": "assistant", "content": response})
            internal_history.append({"role": "user", "content": "Не удалось распознать действие или финальный ответ. Пожалуйста, выведи JSON с 'action' или 'final_answer'."})
            continue

        # Находим обработчик инструмента
        handler = None
        for tool in tools:
            if tool["name"] == action:
                handler = tool.get("handler")
                break

        if handler is None:
            error_msg = f"Инструмент '{action}' не найден."
            logger.warning(error_msg)
            internal_history.append({"role": "assistant", "content": response})
            internal_history.append({"role": "user", "content": f"Ошибка: {error_msg}. Попробуй другой инструмент или дай финальный ответ."})
            continue

        # Вызываем обработчик
        try:
            result = await handler(action_input)
        except Exception as e:
            result = f"Ошибка при вызове инструмента '{action}': {str(e)}"
            logger.exception(result)

        # Добавляем результат в историю
        internal_history.append({"role": "assistant", "content": response})
        internal_history.append({"role": "tool", "content": result})

    # Если цикл завершился без ответа, генерируем исключение
    raise RuntimeError(f"Превышено максимальное число итераций ({max_iterations}) без получения финального ответа.")