# /opt/docker/dev/service_finder/backend/app/services/ai_service.py
import os
import json
import logging
import asyncio
import httpx
from typing import Dict, Any, Optional, List
from sqlalchemy import select

from app.db.session import AsyncSessionLocal 
from app.models.system import SystemParameter
from app.services.config_service import config # 2.2-es központi config

logger = logging.getLogger("AI-Service-2.2")

class AIService:
    """
    Sentinel Master AI Service 2.2.
    Felelős az LLM hívásokért, prompt sablonok kezeléséért és az OCR feldolgozásért.
    Minden paraméter (modell, url, prompt, hőmérséklet) adminból vezérelt.
    """

    @classmethod
    async def _execute_ai_call(cls, db, prompt: str, model_key: str = "text", images: Optional[List[str]] = None) -> Optional[Dict[str, Any]]:
        """
        Központi AI végrehajtó. Kezeli a modellt, a várakozást és a JSON parzolást.
        """
        try:
            # 1. ADMIN KONFIGURÁCIÓ LEKÉRÉSE
            base_url = await config.get_setting(db, "ai_ollama_url", default="http://ollama:11434/api/generate")
            delay = await config.get_setting(db, "AI_REQUEST_DELAY", default=0.1)
            
            # Modell választás (text vagy vision)
            model_name = await config.get_setting(db, f"ai_model_{model_key}", default="qwen2.5-coder:32b")
            temp = await config.get_setting(db, "ai_temperature", default=0.1)
            timeout_val = await config.get_setting(db, "ai_timeout", default=120.0)

            await asyncio.sleep(float(delay))

            # 2. PAYLOAD ÖSSZEÁLLÍTÁSA
            payload = {
                "model": model_name,
                "prompt": prompt,
                "stream": False,
                "format": "json",
                "options": {"temperature": float(temp)}
            }
            
            if images: # Llava/Vision támogatás
                payload["images"] = images

            # 3. HTTP HÍVÁS
            async with httpx.AsyncClient(timeout=float(timeout_val)) as client:
                response = await client.post(base_url, json=payload)
                response.raise_for_status()
                
                raw_res = response.json().get("response", "{}")
                return json.loads(raw_res)

        except json.JSONDecodeError as je:
            logger.error(f"❌ AI JSON hiba (parszolási hiba): {je}")
            return None
        except Exception as e:
            logger.error(f"❌ AI hívás kritikus hiba: {e}")
            return None

    @classmethod
    async def get_gold_data_from_research(cls, make: str, model: str, raw_context: str) -> Optional[Dict[str, Any]]:
        """
        Robot 3 (Alchemist) dúsító folyamata.
        Kutatási adatokból csinál tiszta technikai adatlapot.
        """
        async with AsyncSessionLocal() as db:
            template = await config.get_setting(db, "ai_prompt_gold_data", 
                default="Extract technical car data for {make} {model} from: {context}")
            
            full_prompt = template.format(make=make, model=model, context=raw_context)
            return await cls._execute_ai_call(db, full_prompt, model_key="text")

    @classmethod
    async def get_clean_vehicle_data(cls, make: str, raw_model: str, sources: Dict[str, Any]) -> Optional[Dict[str, Any]]:
        """
        Név normalizálás és szinonima gyűjtés.
        """
        async with AsyncSessionLocal() as db:
            template = await config.get_setting(db, "ai_prompt_normalization", 
                default="Normalize car model names: {make} {model}. Sources: {sources}")
            
            full_prompt = template.format(make=make, model=raw_model, sources=json.dumps(sources))
            return await cls._execute_ai_call(db, full_prompt, model_key="text")

    @classmethod
    async def process_ocr_document(cls, doc_type: str, base64_image: str) -> Optional[Dict[str, Any]]:
        """
        Robot 1 (OCR) látó folyamata.
        Képet (base64) küld a Vision modellnek (pl. Llava).
        """
        async with AsyncSessionLocal() as db:
            # Külön prompt sablon minden dokumentum típushoz (számla, forgalmi, adásvételi)
            template = await config.get_setting(db, f"ai_prompt_ocr_{doc_type}", 
                default="Analyze this {doc_type} image and return structured JSON data.")
            
            full_prompt = template.format(doc_type=doc_type)
            return await cls._execute_ai_call(db, full_prompt, model_key="vision", images=[base64_image])