import asyncio

from agents import Agent, Runner, function_tool
from lib.my_trace import set_trace
from lib.utils import read_file_as_string
from script.search_recommendations.xiaohongshu_search_recommendations import XiaohongshuSearchRecommendations

@function_tool
def get_query_suggestions(query: str):
    """Fetch search recommendations from Xiaohongshu."""
    xiaohongshu_api = XiaohongshuSearchRecommendations()
    query_suggestions = xiaohongshu_api.get_recommendations(keyword=query)['result']['data']['data']
    return query_suggestions

@function_tool
def modify_query(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,
    }

    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
  - 示例：modify_query("快速进行图片背景移除和替换", "简化", "图片背景移除", "原始query过于冗长，'快速进行'和'和替换'是修饰词，核心需求是'图片背景移除'")

- **扩展**：添加场景、平台、工具类型等限定词
  - 示例：modify_query("图片背景移除", "扩展", "在线图片背景移除工具", "从推荐词看用户更关注具体工具，添加'在线'和'工具'限定词可能更符合搜索习惯")

- **替换**：使用同义词、行业术语或口语化表达
  - 示例：modify_query("背景移除", "替换", "抠图", "推荐词中出现多个口语化表达，'抠图'是用户更常用的说法")

- **组合**：调整关键词顺序或组合方式
  - 示例：modify_query("图片背景移除", "组合", "抠图换背景", "调整表达方式，结合推荐词中高频出现的'换背景'概念")

**每次修改的reason必须包含：**
- 上一轮推荐词给你的启发（如"推荐词中多次出现'抠图'一词"）
- 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

**搜索有效性：**
- 是平台真实推荐的query（来自推荐接口）
- 大概率能找到相关结果（基于平台用户行为）

**可接受的差异：**
- 表达方式不同但含义相同（如"背景移除" vs "抠图"）
- 范围略有调整但核心不变（如"图片背景移除" vs "图片抠图工具"）

### 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()

agent = Agent(
    name="Query Optimization Agent",
    instructions=insrtuctions,
    tools=[get_query_suggestions, modify_query],
)


async def main():
    set_trace()
    user_input = read_file_as_string('input/kg_v1_single.md')
    result = await Runner.run(agent, input=user_input)
    print(result.final_output)
    # The weather in Tokyo is sunny.


if __name__ == "__main__":
    asyncio.run(main())