"""
帖子评估模块 V2 - 分离的知识评估和相关性评估

改进:
1. 知识评估: 6维度分层打分系统 (0-100分)
2. 相关性评估: 目的性(70%) + 品类(30%)
3. 并发评估: 两个API同时调用
4. 详细数据: 嵌套结构存储完整评估信息
"""

import asyncio
import json
import os
from datetime import datetime
from typing import Optional
from pydantic import BaseModel, Field
import requests

MODEL_NAME = "google/gemini-2.5-flash"
MAX_IMAGES_PER_POST = 10
MAX_CONCURRENT_EVALUATIONS = 5
API_TIMEOUT = 120

# ============================================================================
# 数据模型
# ============================================================================

class KnowledgeEvaluation(BaseModel):
    """知识评估结果"""
    is_knowledge: bool = Field(..., description="是否是知识内容")
    quick_exclude: bool = Field(False, description="快速排除判定")
    dimension_scores: dict[str, int] = Field(default_factory=dict, description="6维度得分")
    weighted_score: float = Field(..., description="加权总分(0-100)")
    level: int = Field(..., description="满足度等级(1-5星)")
    evidence: list[str] = Field(default_factory=list, description="关键证据")
    issues: list[str] = Field(default_factory=list, description="存在问题")
    summary: str = Field(..., description="总结陈述")


class RelevanceEvaluation(BaseModel):
    """相关性评估结果"""
    purpose_score: float = Field(..., description="目的性匹配得分(0-100)")
    category_score: float = Field(..., description="品类匹配得分(0-100)")
    total_score: float = Field(..., description="综合得分(0-100)")
    conclusion: str = Field(..., description="匹配结论")
    summary: str = Field(..., description="总结说明")


# ============================================================================
# Prompt 定义
# ============================================================================

KNOWLEDGE_EVALUATION_PROMPT = """# 内容知识判定系统

## 角色定义
你是一个多模态内容评估专家,专门判断社交媒体帖子是否属于"内容知识"类别。

## 内容知识定义
**内容知识**是指对创作/制作有实际帮助的、具有通用性和可迁移性的知识,包括:
- ✅ **原理型知识**: 讲解创作背后的原理、逻辑、方法论
- ✅ **体系型知识**: 提供完整的框架、流程、体系化方法
- ✅ **案例提炼型知识**: 通过多案例总结出通用规律和可复用方法

**非内容知识**(需严格排除):
- ❌ **单案例展示**: 仅展示某一个作品/项目,无方法论提炼
- ❌ **单点细节**: 只讲某个具体细节的操作,缺乏系统性
- ❌ **纯元素展示**: 配色/字体/素材等单点展示,无创作方法
- ❌ **作品集型**: 纯粹的作品展示集合,无教学目的

---

## 输入信息
- **标题**: {title}
- **正文**: {body_text}
- **图片数量**: {num_images}张

---

## 判断流程

### 第一步: 快速排除判断(任一项为"是"则直接判定为非内容知识)
1. 标题是否为纯展示型? (如:"我的XX作品"、"今天做了XX"、"分享一下")
2. 正文或者图片里内容是否缺乏方法/原理/步骤描述,仅是叙事或展示?
3. 图片是否全为作品展示,无原理型/体系型/知识提炼型内容元素?
4. 是否只讲一个具体项目的单次操作,无通用性?

**输出**: "quick_exclude": true/false

---

### 第二步: 分层评估体系（满分10分）

#### 维度1: 标题语义 (权重15%)
- 10分: 明确包含"教程/方法/技巧/如何/原理/攻略/指南/X步"等教学词
- 7分: 包含"合集/总结/分享XX方法"等整理型词汇
- 4分: 描述性标题但暗示有方法论
- 0分: 纯展示型标题或单案例描述

#### 维度2: 封面首图 (权重60%)
- 10分: 包含步骤编号/流程图/对比图/知识框架图
- 7分: 有明显的教学性文字标注或视觉引导
- 4分: 有多个知识点的视觉呈现
- 0分: 单一作品展示或纯美图

#### 维度3: 多图教学性 (权重60%)
- 10分: 多图形成步骤/对比/原理说明体系,有标注/序号/箭头
- 7分: 多图展示不同方法/案例,有一定教学逻辑
- 4分: 多图但教学性不明显
- 0分: 多图仅为作品多角度展示

#### 维度4: 内容结构 (权重60%)
- 10分: 有清晰的知识框架(原理→方法→案例,或问题→方案→总结)
- 7分: 有分层次的内容组织(分章节/要点/步骤展示)
- 4分: 有一定逻辑但不够系统
- 0分: 流水账式/单线性叙述

#### 维度5: 正文步骤性 (权重25%)
- 10分: 有清晰的步骤序号和完整流程(≥3步)
- 7分: 有步骤描述但不够系统化
- 4分: 有零散的方法提及
- 0分: 无步骤,纯叙事或展示

#### 维度6: 知识提炼度 (权重25%)
- 10分: 有明确的总结/归纳/对比/框架化输出
- 7分: 有一定的知识整理
- 4分: 有零散总结
- 0分: 无任何知识提炼

---

### 第三步: 综合计算

**加权总分计算**:
```
加权分 = 维度1×0.15 + (维度2+维度3+维度4)×0.6/3 + (维度5+维度6)×0.25/2
最终得分(weighted_score) = 加权分 × 10  (转换为0-100分)
```

**满足度等级**:
- 90-100分: 5星 ⭐⭐⭐⭐⭐ 优质内容知识
- 75-89分: 4星 ⭐⭐⭐⭐ 良好内容知识
- 60-74分: 3星 ⭐⭐⭐ 基础内容知识
- 45-59分: 2星 ⭐⭐ 弱内容知识倾向
- 0-44分: 1星 ⭐ 非内容知识

---

## 输出格式

请严格按照以下JSON格式输出：

{{
  "is_knowledge": true/false,
  "quick_exclude": false,
  "dimension_scores": {{
    "标题语义": 8,
    "封面首图": 9,
    "多图教学性": 10,
    "内容结构": 7,
    "正文步骤性": 9,
    "知识提炼度": 8
  }},
  "weighted_score": 85.5,
  "level": 4,
  "evidence": [
    "证据1",
    "证据2"
  ],
  "issues": [
    "问题1"
  ],
  "summary": "总结陈述（2-3句话）"
}}

## 重要提示
- 严格按照评分标准打分
- 每个维度得分范围: 0-10分
- weighted_score必须是0-100分(维度加权分×10)
- 图片层占60%权重，重点评估
- 综合得分>=60分才判定为知识内容
"""

RELEVANCE_EVALUATION_PROMPT = """# 相关性评估系统

## 角色定义
你是一位专业的多模态内容评估专家，擅长分析社交媒体UGC平台的帖子内容，能够精准判断帖子与用户搜索需求的匹配程度。

## 任务说明
评估帖子与原始搜索需求的匹配程度。

---

## 输入信息

**原始搜索需求：** {original_query}

**多模态帖子内容：**
- **标题：** {title}
- **正文：** {body_text}
- **图片数量：** {num_images}张

---

## 评估维度

### 1. 目的性匹配判断（权重：70%）

**分析要点：**
- 识别原始需求中的**核心动词/意图**（如：推荐、教程、评测、对比、寻找、了解等）
- 判断帖子是否实质性地**解答或满足**了这个目的
- 评估帖子内容的**实用性和完整性**

**评分标准（0-100分）：**
- 90-100分：完全解答需求，内容实用且完整
- 70-89分：基本解答需求，但信息不够全面或深入
- 40-69分：部分相关，但核心目的未充分满足
- 10-39分：仅有微弱关联，未真正解答需求
- 0-9分：完全不相关

---

### 2. 品类匹配判断（权重：30%）

**分析要点：**
- 从**图片内容**中识别：产品类别、场景、属性特征
- 从**标题和正文**中提取：品类名称、产品类型、关键词
- 将提取的品类信息与**原始需求中的品类**进行对比
- 判断品类的**一致性、包含关系或相关性**

**评分标准（0-100分）：**
- 90-100分：品类完全一致，精准匹配
- 70-89分：品类高度相关，属于同类或子类
- 40-69分：品类部分相关，有交叉但存在偏差
- 10-39分：品类关联较弱，仅边缘相关
- 0-9分：品类完全不匹配

---

## 综合评分计算

**总分 = 目的性匹配得分 × 0.7 + 品类匹配得分 × 0.3**

**匹配结论：**
- 85-100分：高度匹配
- 65-84分：基本匹配
- 40-64分：部分匹配
- 0-39分：不匹配

---

## 输出格式

请严格按照以下JSON格式输出：

{{
  "purpose_score": 85.0,
  "category_score": 90.0,
  "total_score": 86.5,
  "conclusion": "高度匹配",
  "summary": "总结说明（2-3句话）"
}}

## 重要提示
- 目的性权重70%，是评估重点
- 综合考虑文本和图片信息
- 评分要客观公正，避免主观偏好
"""


# ============================================================================
# 核心评估函数
# ============================================================================

async def evaluate_knowledge_v2(
    post,
    semaphore: Optional[asyncio.Semaphore] = None
) -> Optional[KnowledgeEvaluation]:
    """
    评估帖子的知识属性（新版6维度评估）
    """
    if post.type == "video":
        return None

    image_urls = post.images[:MAX_IMAGES_PER_POST] if post.images else []

    try:
        if semaphore:
            async with semaphore:
                result = await _evaluate_knowledge_internal(post, image_urls)
        else:
            result = await _evaluate_knowledge_internal(post, image_urls)
        return result
    except Exception as e:
        print(f"      ❌ 知识评估失败: {post.note_id} - {str(e)[:100]}")
        return None


async def _evaluate_knowledge_internal(post, image_urls: list[str]) -> KnowledgeEvaluation:
    """内部知识评估函数"""
    api_key = os.getenv("OPENROUTER_API_KEY")
    if not api_key:
        raise ValueError("OPENROUTER_API_KEY environment variable not set")

    prompt_text = KNOWLEDGE_EVALUATION_PROMPT.format(
        title=post.title,
        body_text=post.body_text or "",
        num_images=len(image_urls)
    )

    content = [{"type": "text", "text": prompt_text}]
    for url in image_urls:
        content.append({"type": "image_url", "image_url": {"url": url}})

    payload = {
        "model": MODEL_NAME,
        "messages": [{"role": "user", "content": content}],
        "response_format": {"type": "json_object"}
    }

    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    loop = asyncio.get_event_loop()
    response = await loop.run_in_executor(
        None,
        lambda: requests.post(
            "https://openrouter.ai/api/v1/chat/completions",
            headers=headers,
            json=payload,
            timeout=API_TIMEOUT
        )
    )

    if response.status_code != 200:
        raise Exception(f"API error: {response.status_code} - {response.text[:200]}")

    result = response.json()
    content_text = result["choices"][0]["message"]["content"]

    # 清理JSON标记
    content_text = content_text.strip()
    if content_text.startswith("```json"):
        content_text = content_text[7:]
    elif content_text.startswith("```"):
        content_text = content_text[3:]
    if content_text.endswith("```"):
        content_text = content_text[:-3]
    content_text = content_text.strip()

    data = json.loads(content_text)

    return KnowledgeEvaluation(
        is_knowledge=data.get("is_knowledge", False),
        quick_exclude=data.get("quick_exclude", False),
        dimension_scores=data.get("dimension_scores", {}),
        weighted_score=data.get("weighted_score", 0.0),
        level=data.get("level", 1),
        evidence=data.get("evidence", []),
        issues=data.get("issues", []),
        summary=data.get("summary", "")
    )


async def evaluate_relevance_v2(
    post,
    original_query: str,
    semaphore: Optional[asyncio.Semaphore] = None
) -> Optional[RelevanceEvaluation]:
    """
    评估帖子与原始query的相关性（新版双维度评估）
    """
    if post.type == "video":
        return None

    image_urls = post.images[:MAX_IMAGES_PER_POST] if post.images else []

    try:
        if semaphore:
            async with semaphore:
                result = await _evaluate_relevance_internal(post, original_query, image_urls)
        else:
            result = await _evaluate_relevance_internal(post, original_query, image_urls)
        return result
    except Exception as e:
        print(f"      ❌ 相关性评估失败: {post.note_id} - {str(e)[:100]}")
        return None


async def _evaluate_relevance_internal(
    post,
    original_query: str,
    image_urls: list[str]
) -> RelevanceEvaluation:
    """内部相关性评估函数"""
    api_key = os.getenv("OPENROUTER_API_KEY")
    if not api_key:
        raise ValueError("OPENROUTER_API_KEY environment variable not set")

    prompt_text = RELEVANCE_EVALUATION_PROMPT.format(
        original_query=original_query,
        title=post.title,
        body_text=post.body_text or "",
        num_images=len(image_urls)
    )

    content = [{"type": "text", "text": prompt_text}]
    for url in image_urls:
        content.append({"type": "image_url", "image_url": {"url": url}})

    payload = {
        "model": MODEL_NAME,
        "messages": [{"role": "user", "content": content}],
        "response_format": {"type": "json_object"}
    }

    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    loop = asyncio.get_event_loop()
    response = await loop.run_in_executor(
        None,
        lambda: requests.post(
            "https://openrouter.ai/api/v1/chat/completions",
            headers=headers,
            json=payload,
            timeout=API_TIMEOUT
        )
    )

    if response.status_code != 200:
        raise Exception(f"API error: {response.status_code} - {response.text[:200]}")

    result = response.json()
    content_text = result["choices"][0]["message"]["content"]

    # 清理JSON标记
    content_text = content_text.strip()
    if content_text.startswith("```json"):
        content_text = content_text[7:]
    elif content_text.startswith("```"):
        content_text = content_text[3:]
    if content_text.endswith("```"):
        content_text = content_text[:-3]
    content_text = content_text.strip()

    data = json.loads(content_text)

    return RelevanceEvaluation(
        purpose_score=data.get("purpose_score", 0.0),
        category_score=data.get("category_score", 0.0),
        total_score=data.get("total_score", 0.0),
        conclusion=data.get("conclusion", "不匹配"),
        summary=data.get("summary", "")
    )


async def evaluate_post_v2(
    post,
    original_query: str,
    semaphore: Optional[asyncio.Semaphore] = None
) -> tuple[Optional[KnowledgeEvaluation], Optional[RelevanceEvaluation]]:
    """
    串行评估帖子（先知识，分数>40再评估相关性）

    Returns:
        (KnowledgeEvaluation, RelevanceEvaluation) 或 (Knowledge, None) 或 (None, None)
    """
    if post.type == "video":
        print(f"      ⊗ 跳过视频帖子: {post.note_id}")
        return None, None

    print(f"      🔍 开始评估帖子: {post.note_id}")

    # 第一步：先评估知识
    knowledge_eval = await evaluate_knowledge_v2(post, semaphore)

    if not knowledge_eval:
        print(f"      ⚠️  知识评估失败: {post.note_id}")
        return None, None

    # 第二步：只有知识分数>40才评估相关性
    relevance_eval = None
    if knowledge_eval.weighted_score > 40:
        print(f"      ✅ 知识:{knowledge_eval.weighted_score:.1f}分({knowledge_eval.level}⭐) - 继续评估相关性")
        relevance_eval = await evaluate_relevance_v2(post, original_query, semaphore)

        if relevance_eval:
            print(f"      ✅ 评估完成 | 相关性:{relevance_eval.total_score:.1f}分({relevance_eval.conclusion})")
        else:
            print(f"      ⚠️  相关性评估失败")
    else:
        print(f"      ⊗ 知识:{knowledge_eval.weighted_score:.1f}分({knowledge_eval.level}⭐) - 分数≤40，跳过相关性评估")

    return knowledge_eval, relevance_eval


def apply_evaluation_v2_to_post(
    post,
    knowledge_eval: Optional[KnowledgeEvaluation],
    relevance_eval: Optional[RelevanceEvaluation]
):
    """
    将V2评估结果应用到Post对象
    """
    # 知识评估
    if knowledge_eval:
        post.is_knowledge = knowledge_eval.is_knowledge
        post.knowledge_score = knowledge_eval.weighted_score
        post.knowledge_level = knowledge_eval.level
        post.knowledge_reason = knowledge_eval.summary[:100]  # 简短版本

        # 详细信息
        post.knowledge_evaluation = {
            "quick_exclude": knowledge_eval.quick_exclude,
            "dimension_scores": knowledge_eval.dimension_scores,
            "weighted_score": knowledge_eval.weighted_score,
            "level": knowledge_eval.level,
            "level_text": "⭐" * knowledge_eval.level,
            "evidence": knowledge_eval.evidence,
            "issues": knowledge_eval.issues,
            "summary": knowledge_eval.summary
        }

    # 相关性评估
    if relevance_eval:
        post.relevance_score = relevance_eval.total_score
        post.relevance_conclusion = relevance_eval.conclusion
        post.relevance_reason = relevance_eval.summary[:150]  # 简短版本

        # 设置相关性级别（兼容旧系统）
        if relevance_eval.total_score >= 85:
            post.relevance_level = "高度相关"
        elif relevance_eval.total_score >= 65:
            post.relevance_level = "中度相关"
        else:
            post.relevance_level = "低度相关"

        # 详细信息
        post.relevance_evaluation = {
            "purpose_score": relevance_eval.purpose_score,
            "category_score": relevance_eval.category_score,
            "total_score": relevance_eval.total_score,
            "conclusion": relevance_eval.conclusion,
            "summary": relevance_eval.summary
        }

    # 设置评估时间和版本
    post.evaluation_time = datetime.now().isoformat()
    post.evaluator_version = "v2.0"


async def batch_evaluate_posts_v2(
    posts: list,
    original_query: str,
    max_concurrent: int = MAX_CONCURRENT_EVALUATIONS
) -> int:
    """
    批量评估多个帖子（V2版本）

    Returns:
        成功评估的帖子数量
    """
    semaphore = asyncio.Semaphore(max_concurrent)

    print(f"\n📊 开始批量评估 {len(posts)} 个帖子（并发限制: {max_concurrent}）...")

    tasks = [evaluate_post_v2(post, original_query, semaphore) for post in posts]
    results = await asyncio.gather(*tasks)

    success_count = 0
    for i, (knowledge_eval, relevance_eval) in enumerate(results):
        if knowledge_eval and relevance_eval:
            apply_evaluation_v2_to_post(posts[i], knowledge_eval, relevance_eval)
            success_count += 1

    print(f"✅ 批量评估完成: 成功 {success_count}/{len(posts)}")

    return success_count