"""AI 分析核心服务

负责：
1. 调用 OpenAI 兼容 API 进行分析
2. Function Calling 循环（AI 可主动获取数据）
3. 保存报告到数据库
"""

import json
import httpx
from datetime import datetime, timezone, timedelta

from services.ai_config import AI_API_BASE, AI_API_KEY, AI_MODEL, AI_MAX_TOKENS, AI_TEMPERATURE
from services.ai_tools import TOOLS, execute_tool
from database import get_connection

_CST = timezone(timedelta(hours=8))

SYSTEM_PROMPT = """你是一位专业的A股市场分析师，擅长从数据中发现投资机会。

你的分析风格：
- 数据驱动，基于真实数据而非主观臆断
- 逻辑清晰，先总后分，层层递进
- 观点明确，给出具体的操作建议
- 风险提示，每次推荐都需说明风险点

可用工具：
- get_market_dashboard: 获取市场整体数据（指数/涨跌统计/行业强度/事件情报/市场温度）
- get_theme_history: 获取指定日期的题材涨幅排行
- get_active_core_stocks: 获取核心股追踪数据（10日涨幅矩阵+所属题材）
- get_stock_quote: 获取个股实时行情
- get_fund_flow: 获取个股资金流向

重要规则：
1. 你必须先调用工具获取数据，然后基于数据进行分析
2. 不要凭空编造数据，所有数据必须来自工具返回
3. 如果工具返回空数据，如实说明数据不可用
4. 分析完成后给出明确的结论和建议"""

DAILY_ANALYSIS_PROMPT = """请对 {trade_date} 的A股市场进行收盘分析，生成一份完整的分析报告。

{prev_report_section}

请先调用以下工具获取数据：
1. get_market_dashboard - 获取市场整体数据
2. get_theme_history(date="{trade_date}") - 获取今日题材涨幅
3. get_active_core_stocks - 获取核心股数据

然后基于数据生成报告，结构如下：

## 一、市场总览
- 主要指数表现（上证、深证、创业板）
- 涨跌家数统计
- 市场温度评估

## 二、题材热点分析
- 今日涨幅前5题材
- 持续活跃的题材
- 新兴热点题材

## 三、核心股追踪
- 连板股分析
- 核心股表现
- 龙头股辨识

## 四、关注方向
- 明日值得关注的题材方向
- 潜在的交易机会

## 五、风险提示
- 需要警惕的风险因素
- 操作建议

请用 Markdown 格式输出，适当使用表格展示数据对比。"""


async def call_llm(messages: list, tools: list = None) -> dict:
    """调用 OpenAI 兼容 API"""
    async with httpx.AsyncClient() as client:
        payload = {
            "model": AI_MODEL,
            "messages": messages,
            "max_tokens": AI_MAX_TOKENS,
            "temperature": AI_TEMPERATURE,
        }
        if tools:
            payload["tools"] = tools
            payload["tool_choice"] = "auto"

        resp = await client.post(
            f"{AI_API_BASE}/chat/completions",
            headers={
                "Authorization": f"Bearer {AI_API_KEY}",
                "Content-Type": "application/json",
            },
            json=payload,
            timeout=120,
        )
        resp.raise_for_status()
        return resp.json()


async def collect_ai_analysis(trade_date: str) -> dict:
    """AI 分析主流程

    Args:
        trade_date: 交易日 YYYY-MM-DD

    Returns:
        {"id": int, "tokens_used": int, "tools_used": list}
    """
    prev_report_section = _get_prev_report_section(trade_date)
    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": DAILY_ANALYSIS_PROMPT.format(
            trade_date=trade_date,
            prev_report_section=prev_report_section
        )}
    ]

    tools_used = []
    total_tokens = 0
    final_content = ""
    was_truncated = False

    for i in range(8):
        response = await call_llm(messages, tools=TOOLS)
        total_tokens += response.get("usage", {}).get("total_tokens", 0)

        choice = response["choices"][0]
        message = choice["message"]
        messages.append(message)

        finish_reason = choice.get("finish_reason", "")

        if finish_reason == "stop":
            final_content = message.get("content") or ""
            break

        if finish_reason == "length":
            # 响应被截断，保存已生成的内容
            was_truncated = True
            final_content = message.get("content") or ""
            if not final_content:
                # 如果当前消息没有内容，尝试从之前的消息中提取
                for msg in reversed(messages):
                    if msg.get("role") == "assistant" and msg.get("content"):
                        final_content = msg["content"]
                        break
            print(f"[ai-service] 警告：响应被截断 (finish_reason=length)")
            break

        if finish_reason == "tool_calls":
            for tool_call in message.get("tool_calls", []):
                func_name = tool_call["function"]["name"]
                func_args = json.loads(tool_call["function"]["arguments"])
                tools_used.append(func_name)

                result = await execute_tool(func_name, func_args)
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call["id"],
                    "content": result
                })

    summary = final_content[:200].replace("\n", " ") if final_content else ""
    report_id = _save_report(trade_date, final_content, summary, tools_used, total_tokens)

    return {"id": report_id, "tokens_used": total_tokens, "tools_used": tools_used, "truncated": was_truncated}


def _save_report(trade_date: str, content: str, summary: str, tools_used: list, tokens_used: int) -> int:
    """保存报告到数据库"""
    conn = get_connection()
    try:
        cursor = conn.execute(
            """INSERT OR REPLACE INTO ai_reports
               (trade_date, report_type, title, content, summary, tools_used, model, tokens_used)
               VALUES (?, 'daily', ?, ?, ?, ?, ?, ?)""",
            (
                trade_date,
                f"{trade_date} A股收盘分析",
                content,
                summary,
                json.dumps(tools_used),
                AI_MODEL,
                tokens_used,
            )
        )
        conn.commit()
        return cursor.lastrowid
    finally:
        conn.close()


def _get_prev_report_section(trade_date: str) -> str:
    """获取前一个交易日的报告摘要，用于上下文参考"""
    conn = get_connection()
    try:
        row = conn.execute(
            "SELECT trade_date, content FROM ai_reports WHERE trade_date < ? AND report_type = 'daily' ORDER BY trade_date DESC LIMIT 1",
            (trade_date,)
        ).fetchone()
        if not row:
            return ""
        prev_date = row["trade_date"]
        prev_content = row["content"] or ""
        # 取报告的前1500字符作为参考上下文
        truncated = prev_content[:1500]
        if len(prev_content) > 1500:
            truncated += "\n...(已截断)"
        return f"""以下是前一个交易日（{prev_date}）的分析报告，请参考其中的分析逻辑和关注方向，结合今日数据进行对比分析：

{truncated}

---
"""
    finally:
        conn.close()