"""Beaver 运行时上下文装配器。

这个模块是 `session` 和 `provider` 之间的中间层，职责非常明确：

1. 把运行前已经准备好的静态/半静态上下文拼成一份稳定的 system prompt
2. 把从 session 事件流里裁剪出的“可见历史”和当前用户输入整理成 provider 可直接消费的 messages
3. 在 tool loop 中，持续把 assistant/tool 消息按统一格式追加回消息数组

为什么这层必须单独存在：

1. `AgentLoop` 不应该自己拼 prompt，否则很快又会长成一个大文件
2. `memory`、`skills`、`session` 的注入顺序需要固定，否则模型行为会漂移
3. tool loop 前后追加消息的格式必须统一，否则不同 provider 很容易出兼容问题

这一版 builder 的设计目标是“最小但稳定”：

1. 先服务单 agent 主链
2. 先支持 frozen curated memory，而不是 live memory
3. skills 通过显式激活消息注入，不在这里做磁盘扫描
4. 为后续 channel / gateway / team metadata 预留注入位，但不提前做复杂逻辑
"""

from __future__ import annotations

import json
from dataclasses import dataclass, field
from typing import Any

from beaver.memory.curated.snapshot import MemorySnapshot


BEAVER_USER_ASSISTANT_IDENTITY_PROMPT = (
    "You are 海狸 (Beaver), an AI assistant developed by 博维资讯系统有限公司. "
    "When communicating with users, keep this identity consistent. "
    "If users ask who you are, say that you are 海狸 (Beaver), 博维资讯系统有限公司研发的 AI 助手."
)


@dataclass(slots=True)
class SkillContext:
    """单个已激活 skill 的最小表示。

    这里故意不把 skill 设计成复杂对象，只保留 builder 真正关心的两部分：

    - `name`：用于生成激活提示
    - `content`：skill 的完整正文

    注意：skill 正文不再塞进 system prompt，而是转成显式消息注入。
    """

    name: str
    content: str
    version: str = "legacy"
    content_hash: str = ""
    activation_reason: str = "selected"
    tool_hints: list[str] = field(default_factory=list)


@dataclass(slots=True)
class SessionContext:
    """当前运行轮次的会话元数据。

    这不是 session store 里的完整 record，而是 prompt builder 关心的那一小部分：
    - 哪个 session
    - 来源是什么
    - 当前使用什么 model
    - 是否有 channel/chat/user 这类运行路由信息

    把它单独抽出来的原因是：
    1. builder 不应该知道 SQLite row 长什么样
    2. 不同入口（CLI/Web/Gateway）都可以把自己的 metadata 收敛成同一种结构
    """

    session_id: str | None = None
    source: str | None = None
    model: str | None = None
    user_id: str | None = None
    channel: str | None = None
    chat_id: str | None = None
    parent_session_id: str | None = None


@dataclass(slots=True)
class RuntimeContext:
    """Per-run runtime facts that should be visible to the model."""

    utc_datetime: str
    local_datetime: str
    timezone: str | None = None
    utc_offset: str | None = None


@dataclass(slots=True)
class ContextBuildInput:
    """一次上下文构建所需的全部输入。

    这个对象的作用不是“炫技式封装”，而是把主链里零散的数据显式收口。
    这样一来，后面 `AgentLoop.process_direct()` 在组装参数时会更清晰，也更容易测试。

    字段分组：
    - 身份/基础段：`base_system_prompt`
    - 会话可见历史：`history`
    - 当前输入：`current_user_input`
    - 冻结记忆：`memory_snapshot`
    - 技能：`activated_skills`
    - 运行元数据：`session_context` / `execution_context`
    - 额外扩展：`extra_sections`
    """

    base_system_prompt: str = ""
    history: list[dict[str, Any]] = field(default_factory=list)
    current_user_input: str | list[dict[str, Any]] | None = None
    memory_snapshot: MemorySnapshot | None = None
    activated_skills: list[SkillContext] = field(default_factory=list)
    session_context: SessionContext | None = None
    runtime_context: RuntimeContext | None = None
    execution_context: str | None = None
    extra_sections: list[str] = field(default_factory=list)


@dataclass(slots=True)
class ContextBuildResult:
    """一次上下文构建后的结果。

    保留 `system_prompt` 的原因：
    1. `SessionManager.update_system_prompt()` 需要把最终注入的 prompt snapshot 落盘
    2. 调试时经常需要区分“system prompt 长什么样”和“messages 长什么样”
    3. 后面如果做 prompt audit / replay，也会直接复用这个结果
    """

    system_prompt: str
    messages: list[dict[str, Any]]


class ContextBuilder:
    """负责把运行时输入装配成稳定上下文。

    这一层故意保持“无 IO、无数据库、无网络”：
    - 不直接读 session store
    - 不直接读 memory store
    - 不直接扫描 skills 目录

    这样 builder 的行为只由输入决定，便于单测，也便于后面并到真正的 AgentLoop 主链里。
    """

    def build_system_prompt(
        self,
        build_input: ContextBuildInput,
    ) -> str:
        """构建 system prompt。

        顺序固定非常重要，当前约定是：

        1. Beaver user-facing assistant identity
        2. base system prompt
        3. session metadata
        4. runtime date/time
        5. execution context
        6. frozen memory snapshot
        7. extra sections

        这样设计的原因：
        - 身份与总规则要最靠前
        - session/execution 是本轮运行语境，优先级高于长期记忆
        - memory 必须是 frozen snapshot，避免中途写 memory 后 prompt 失真
        - activated skill 正文放到显式消息里，避免 system prompt 持续膨胀
        """

        sections: list[str] = [BEAVER_USER_ASSISTANT_IDENTITY_PROMPT]

        base_system_prompt = (build_input.base_system_prompt or "").strip()
        if base_system_prompt:
            sections.append(base_system_prompt)

        session_section = self._render_session_section(build_input.session_context)
        if session_section:
            sections.append(session_section)

        runtime_section = self._render_runtime_section(build_input.runtime_context)
        if runtime_section:
            sections.append(runtime_section)

        execution_context = (build_input.execution_context or "").strip()
        if execution_context:
            sections.append(f"# Execution Context\n\n{execution_context}")

        if build_input.memory_snapshot is not None:
            # 这里明确只读 frozen snapshot，而不是去读 live memory store。
            # 否则一旦当前会话中途写 memory，system prompt 语义就会和会话开头不一致。
            snapshot_sections = build_input.memory_snapshot.as_prompt_sections()
            if snapshot_sections:
                sections.extend(snapshot_sections)

        for extra in build_input.extra_sections:
            cleaned = (extra or "").strip()
            if cleaned:
                sections.append(cleaned)

        return "\n\n---\n\n".join(sections)

    def build_messages(
        self,
        build_input: ContextBuildInput,
    ) -> ContextBuildResult:
        """构建一次模型调用的完整 messages。

        这里做三件事：
        1. 先生成最终 system prompt
        2. 把已激活 skill 的完整正文作为显式消息注入
        3. 把历史消息按原顺序接到后面
        4. 如果存在当前用户输入，则把本轮输入追加为最后一条 user message

        注意：
        - `history` 默认被视为“已经由 session/context 上游从完整事件流中裁剪好的可见结构”
        - builder 不负责裁剪历史窗口，这件事应由 session/loop 上层决定
        - builder 只做最小格式统一
        """

        system_prompt = self.build_system_prompt(build_input)
        messages: list[dict[str, Any]] = [{"role": "system", "content": system_prompt}]

        messages.extend(self.build_skill_activation_messages(build_input.activated_skills))

        for message in build_input.history:
            # 当前 builder 自己负责生成唯一的 system prompt。
            # 如果上游 history 已经混入 system 消息，这里要主动跳过，避免双 system。
            if message.get("role") == "system":
                continue
            messages.append(self._provider_history_message(message))

        if build_input.current_user_input is not None:
            messages.append(
                {
                    "role": "user",
                    "content": build_input.current_user_input,
                }
            )

        return ContextBuildResult(
            system_prompt=system_prompt,
            messages=messages,
        )

    @staticmethod
    def _provider_history_message(message: dict[str, Any]) -> dict[str, Any]:
        """Keep persisted UI/audit fields out of provider message payloads."""

        allowed = {"role", "content", "tool_calls", "tool_call_id", "name"}
        clean = {key: value for key, value in message.items() if key in allowed}
        if "name" not in clean and message.get("tool_name"):
            clean["name"] = message.get("tool_name")
        if isinstance(clean.get("tool_calls"), list):
            clean["tool_calls"] = ContextBuilder._provider_tool_calls(clean["tool_calls"])
        return clean

    @staticmethod
    def _provider_tool_calls(tool_calls: list[dict[str, Any]]) -> list[dict[str, Any]]:
        """Normalize persisted tool calls to OpenAI-compatible provider payloads."""

        normalized: list[dict[str, Any]] = []
        for tool_call in tool_calls:
            if not isinstance(tool_call, dict):
                continue
            clean = dict(tool_call)
            function = clean.get("function")
            if isinstance(function, dict):
                clean_function = dict(function)
                arguments = clean_function.get("arguments")
                if not isinstance(arguments, str):
                    clean_function["arguments"] = json.dumps(arguments or {}, ensure_ascii=False, default=str)
                clean["function"] = clean_function
            normalized.append(clean)
        return normalized

    def add_tool_result(
        self,
        messages: list[dict[str, Any]],
        *,
        tool_call_id: str,
        tool_name: str,
        result: str,
    ) -> list[dict[str, Any]]:
        """向消息数组追加一条 tool result。

        为什么这个函数放在 builder，而不是塞回 `AgentLoop`：
        - tool message 的结构必须和 provider 兼容
        - 统一在这里追加，可以避免不同执行路径拼出不同字段名
        - 后面如果要兼容更多 provider 差异，也只改这一层

        这里返回原 list 本身，保持旧项目的“可链式追加”习惯。
        """

        messages.append(
            {
                "role": "tool",
                "tool_call_id": tool_call_id,
                "name": tool_name,
                "content": result,
            }
        )
        return messages

    def add_assistant_message(
        self,
        messages: list[dict[str, Any]],
        *,
        content: str | None,
        tool_calls: list[dict[str, Any]] | None = None,
        reasoning_content: str | None = None,
    ) -> list[dict[str, Any]]:
        """向消息数组追加 assistant 消息。

        这里有两个实现细节非常重要：

        1. 无论 `content` 是否为空，都显式写入 `content` 键
           原因是部分 provider 在 assistant 带 `tool_calls` 时仍要求消息里存在 `content`

        2. `reasoning_content` 只有在非空时才附带
           因为这属于思考模型扩展字段，不应污染普通 provider 路径
        """

        message: dict[str, Any] = {
            "role": "assistant",
            "content": content,
        }
        if tool_calls:
            message["tool_calls"] = self._provider_tool_calls(tool_calls)
        if reasoning_content is not None:
            message["reasoning_content"] = reasoning_content
        messages.append(message)
        return messages

    def _render_session_section(self, session_context: SessionContext | None) -> str | None:
        """把运行时 session metadata 渲染成一个可读 section。

        这一段的目标不是让模型“记住所有数据库字段”，而是给它足够的当前运行语境。
        常见用途包括：
        - 知道当前来自 CLI 还是 Web/Gateway
        - 知道当前使用什么 model
        - 知道当前 channel/chat_id，便于后续多渠道行为约束
        """

        if session_context is None:
            return None

        rows: list[str] = []
        if session_context.session_id:
            rows.append(f"Session ID: {session_context.session_id}")
        if session_context.source:
            rows.append(f"Source: {session_context.source}")
        if session_context.model:
            rows.append(f"Model: {session_context.model}")
        if session_context.user_id:
            rows.append(f"User ID: {session_context.user_id}")
        if session_context.channel:
            rows.append(f"Channel: {session_context.channel}")
        if session_context.chat_id:
            rows.append(f"Chat ID: {session_context.chat_id}")
        if session_context.parent_session_id:
            rows.append(f"Parent Session ID: {session_context.parent_session_id}")

        if not rows:
            return None
        return "# Current Session\n\n" + "\n".join(rows)

    def _render_runtime_section(self, runtime_context: RuntimeContext | None) -> str | None:
        """Render date/time facts captured for the current model run."""

        if runtime_context is None:
            return None

        rows: list[str] = []
        if runtime_context.utc_datetime:
            rows.append(f"Current UTC time: {runtime_context.utc_datetime}")
        if runtime_context.local_datetime:
            rows.append(f"Current local time: {runtime_context.local_datetime}")
        if runtime_context.timezone:
            rows.append(f"Local timezone: {runtime_context.timezone}")
        if runtime_context.utc_offset:
            rows.append(f"Local UTC offset: {runtime_context.utc_offset}")

        if not rows:
            return None
        return (
            "# Current Date and Time\n\n"
            + "\n".join(rows)
            + "\n\nUse this section as authoritative for relative date/time references such as "
            '"today", "tomorrow", "now", "this week", and "next month".'
        )

    def build_skill_activation_messages(self, activated_skills: list[SkillContext]) -> list[dict[str, str]]:
        """把已激活 skill 转成显式消息。

        关键区别：
        - system prompt 只保留轻量 skills index
        - 真正生效的 skill 正文通过额外消息块显式加载

        这样模型不需要“从摘要里猜怎么读到正文”，而是直接拿到完整指导内容。
        """

        messages: list[dict[str, str]] = []
        for skill in activated_skills:
            content = (skill.content or "").strip()
            if not content:
                continue
            messages.append(
                {
                    "role": "user",
                    "content": (
                        f'[SYSTEM: The "{skill.name}" skill (version {skill.version}) is active for this run. '
                        "Follow its instructions as active guidance unless the user overrides them.]\n\n"
                        f"{content}"
                    ),
                }
            )
        return messages