import asyncio
import json
import os
import argparse
from datetime import datetime

from agents import Agent, Runner, function_tool
from lib.my_trace import set_trace
from typing import Literal
from dataclasses import dataclass
from pydantic import BaseModel, Field


from lib.utils import read_file_as_string
from script.search_recommendations.xiaohongshu_search_recommendations import XiaohongshuSearchRecommendations

from agents import Agent, RunContextWrapper, Runner, function_tool

from pydantic import BaseModel, Field


class RunContext(BaseModel):
    version: str = Field(..., description="当前运行的脚本版本（文件名）")
    input_files: dict[str, str] = Field(..., description="输入文件路径映射，如 {'context_file': '...', 'q_file': '...'}")
    q_with_context: str
    q_context: str
    q: str
    log_url: str
    log_dir: str
    # 中间数据记录 - 按时间顺序记录所有操作
    operations_history: list[dict] = Field(default_factory=list, description="记录所有操作的历史，包括 get_query_suggestions 和 modify_query")
    # 最终输出结果
    final_output: str | None = Field(default=None, description="Agent的最终输出结果")


eval_insrtuctions = """
你是一个专业的评估专家，负责评估给定的搜索query是否满足原始问题和需求，给出出评分和简明扼要的理由。
"""

@dataclass
class EvaluationFeedback:
    reason: str=Field(..., description="简明扼要的理由")
    score: float=Field(..., description="评估结果，1表示等价，0表示不等价，中间值表示部分等价")

evaluator = Agent[None](
    name="评估专家",
    instructions=eval_insrtuctions,
    output_type=EvaluationFeedback,
)

@function_tool
async def get_query_suggestions(wrapper: RunContextWrapper[RunContext], query: str):
    """Fetch search recommendations from Xiaohongshu."""
    xiaohongshu_api = XiaohongshuSearchRecommendations()
    query_suggestions = xiaohongshu_api.get_recommendations(keyword=query)
     # 记录到 RunContext
    wrapper.context.operations_history.append({
        "operation_type": "get_query_suggestions",
        "timestamp": datetime.now().isoformat(),
        "query": query,
        "suggestions": query_suggestions,
    })

    if query_suggestions:
        return query_suggestions
    else:
        res = '未返回任何推荐词'

   
    return res

@function_tool
def modify_query(wrapper: RunContextWrapper[RunContext], original_query: str, operation_type: str, new_query: str, reason: str):
    """
    Modify the search query with a specific operation.

    Args:
        original_query: The original query before modification
        operation_type: Type of modification - must be one of: "简化", "扩展", "替换", "组合"
        new_query: The modified query after applying the operation
        reason: Detailed explanation of why this modification was made and what insight from previous suggestions led to this change

    Returns:
        A dict containing the modification record and the new query to use for next search
    """
    operation_types = ["简化", "扩展", "替换", "组合"]
    if operation_type not in operation_types:
        return {
            "status": "error",
            "message": f"Invalid operation_type. Must be one of: {', '.join(operation_types)}"
        }

    modification_record = {
        "original_query": original_query,
        "operation_type": operation_type,
        "new_query": new_query,
        "reason": reason,
    }

    # 记录到 RunContext
    wrapper.context.operations_history.append({
        "operation_type": "modify_query",
        "timestamp": datetime.now().isoformat(),
        "modification_type": operation_type,
        "original_query": original_query,
        "new_query": new_query,
        "reason": reason,
    })

    return {
        "status": "success",
        "modification_record": modification_record,
        "new_query": new_query,
        "message": f"Query modified successfully. Use '{new_query}' for the next search."
    }

insrtuctions = """
你是一个专业的搜索query优化专家，擅长通过动态探索找到最符合用户搜索习惯的query。

## 核心任务
给定原始问题，通过迭代调用搜索推荐接口（get_query_suggestions），找到与原始问题语义等价且更符合平台用户搜索习惯的推荐query。

## 工作流程

### 1. 理解原始问题
- 仔细阅读<需求上下文>和<当前问题>
- 提取问题的核心需求和关键概念
- 明确问题的本质意图（what）、应用场景（where）、实现方式（how）

### 2. 动态探索策略
采用类似人类搜索的迭代探索方式：

**第一轮尝试：**
- 使用原始问题直接调用 get_query_suggestions(query="原始问题")
- 仔细分析返回的推荐词列表
- 判断是否有与原始问题等价的推荐词

**后续迭代：**
如果推荐词不满足要求，必须先调用 modify_query 函数记录修改，然后再次搜索：

**工具使用流程：**
1. 调用 modify_query(original_query, operation_type, new_query, reason)
2. 使用返回的 new_query 调用 get_query_suggestions
3. 分析新的推荐词列表
4. 如果仍不满足，重复步骤1-3

**四种操作类型（operation_type）：**
- **简化**：删除冗余词汇，提取核心关键词
- **扩展**
- **替换**：使用同义词、行业术语或口语化表达
- **组合**：调整关键词顺序或组合方式

**每次修改的reason必须包含：**
- 上一轮推荐词给你的启发
- 为什么这样修改更符合平台用户习惯
- 与原始问题的关系（确保核心意图不变）

### 3. 等价性判断标准
推荐词满足以下条件即可视为"与原始问题等价"：

**语义等价：**
- 能够回答或解决原始问题的核心需求
- 涵盖原始问题的关键功能或场景


### 4. 迭代终止条件
- **成功终止**：找到至少一个与原始问题等价的推荐query
- **尝试上限**：最多迭代5轮，避免无限循环
- **无推荐词**：推荐接口返回空列表或错误

### 5. 输出要求
成功找到等价query时，输出格式：
```
原始问题：[原问题]

优化后的query：[最终找到的等价推荐query]

探索路径：
1. 第1轮：原始query "[query1]"
   - 推荐词：[列出关键推荐词]
   - 判断：不满足，[简要说明原因]

2. 第2轮：modify_query("[query1]", "简化", "[query2]", "[reason]")
   - 推荐词：[列出关键推荐词]
   - 判断：不满足，[简要说明原因]

3. 第3轮：modify_query("[query2]", "替换", "[query3]", "[reason]")
   - 推荐词：[列出关键推荐词]
   - 判断：满足！找到等价query "[最终query]"

推荐理由：
- 该query来自平台官方推荐，大概率有结果
- 与原始问题语义等价：[具体说明]
- 更符合用户搜索习惯：[具体说明]
```

未找到等价query时，输出：
```
原始问题：[原问题]

探索结果：未找到完全等价的推荐query（已尝试[N]轮）

尝试过的query及修改记录：
1. "[query1]" (原始)
2. "[query2]" (简化：[reason])
3. "[query3]" (替换：[reason])
...

各轮推荐词分析：
- 第1轮推荐词偏向：[分析]
- 第2轮推荐词偏向：[分析]
...

建议：
[基于探索结果给出建议，如：
- 直接使用原问题搜索
- 使用尝试过的某个query（虽然不完全等价但最接近）
- 调整搜索策略或平台]
```

## 注意事项
- **第一轮必须使用原始问题**：直接调用 get_query_suggestions(query="原始问题")
- **后续修改必须调用 modify_query**：不能直接用新query调用 get_query_suggestions，必须先通过 modify_query 记录修改
- **每次调用 get_query_suggestions 后必须仔细分析**：列出关键推荐词，分析它们的特点和偏向
- **修改要有理有据**：reason参数必须详细说明基于什么推荐词反馈做出此修改
- **保持核心意图不变**：每次修改都要确认与原始问题的等价性
- **优先选择简洁、口语化的推荐词**：如果多个推荐词都满足，选择最符合用户习惯的
""".strip()




async def main(input_dir: str):
    current_time, log_url = set_trace()

    # 从目录中读取固定文件名
    input_context_file = os.path.join(input_dir, 'context.md')
    input_q_file = os.path.join(input_dir, 'q.md')

    q_context = read_file_as_string(input_context_file)
    q = read_file_as_string(input_q_file)
    q_with_context = f"""
<需求上下文>
{q_context}
</需求上下文>
<当前问题>
{q}
</当前问题>
""".strip()

    # 获取当前文件名作为版本
    version = os.path.basename(__file__)
    version_name = os.path.splitext(version)[0]  # 去掉 .py 后缀

    # 日志保存到输入目录的 output/版本/时间戳 目录下
    log_dir = os.path.join(input_dir, "output", version_name, current_time)

    run_context = RunContext(
        version=version,
        input_files={
            "input_dir": input_dir,
            "context_file": input_context_file,
            "q_file": input_q_file,
        },
        q_with_context=q_with_context,
        q_context=q_context,
        q=q,
        log_dir=log_dir,
        log_url=log_url,
    )
    agent = Agent[RunContext](
        name="Query Optimization Agent",
        instructions=insrtuctions,
        tools=[get_query_suggestions, modify_query],
       
    )
    result = await Runner.run(agent, input=q_with_context,  context = run_context,)
    print(result.final_output)

    # 保存最终输出到 RunContext
    run_context.final_output = str(result.final_output)

    # 保存 RunContext 到 log_dir
    os.makedirs(run_context.log_dir, exist_ok=True)
    context_file_path = os.path.join(run_context.log_dir, "run_context.json")
    with open(context_file_path, "w", encoding="utf-8") as f:
        json.dump(run_context.model_dump(), f, ensure_ascii=False, indent=2)
    print(f"\nRunContext saved to: {context_file_path}")


if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="搜索query优化工具")
    parser.add_argument(
        "--input-dir",
        type=str,
        default="input/简单扣图",
        help="输入目录路径，默认: input/简单扣图"
    )
    args = parser.parse_args()

    asyncio.run(main(args.input_dir))