Ai/rag/services/fertilization.py

"""
سرویس توصیه کودهی — بدون API، قابل فراخوانی از سایر سرویس‌ها
از RAG با پایگاه دانش fertilization و لحن مخصوص کودهی استفاده می‌کند.
"""
import json
import logging

from rag.api_provider import get_chat_client
from rag.chat import (
    _complete_audit_log,
    _create_audit_log,
    _fail_audit_log,
    _load_service_tone,
    build_rag_context,
)
from rag.config import load_rag_config, RAGConfig, get_service_config
from rag.user_data import build_plant_text

logger = logging.getLogger(__name__)

KB_NAME = "fertilization"
SERVICE_ID = "fertilization"

DEFAULT_FERTILIZATION_PROMPT = (
    "بر اساس داده‌های خاک (NPK، pH)، مشخصات گیاه، مرحله رشد و پایگاه دانش کودهی، "
    "یک توصیه کودهی دقیق بده. "
    "پاسخ حتماً به فرمت JSON با ساختار زیر باشد:\n"
    '{\n'
    '    "plan": {\n'
    '        "npkRatio": "<str>",\n'
    '        "amountPerHectare": "<str>",\n'
    '        "applicationMethod": "<str>",\n'
    '        "applicationInterval": "<str>",\n'
    '        "reasoning": "<str>"\n'
    '    }\n'
    '}\n'
    "فقط JSON خروجی بده، بدون توضیح اضافی. "
    "مقادیر را بر اساس شرایط واقعی خاک و گیاه محاسبه کن."
)


def get_fertilization_recommendation(
    sensor_uuid: str,
    plant_name: str | None = None,
    growth_stage: str | None = None,
    query: str | None = None,
    config: RAGConfig | None = None,
    limit: int = 8,
) -> dict:
    """
    توصیه کودهی برای یک سنسور (کاربر).
    از RAG با پایگاه دانش fertilization استفاده می‌کند.

    Args:
        sensor_uuid: شناسه سنسور کاربر
        plant_name: نام گیاه (برای بارگذاری مشخصات از جدول Plant)
        growth_stage: مرحله رشد گیاه
        query: سوال اختیاری
        config: تنظیمات RAG
        limit: تعداد چانک‌های بازیابی‌شده

    Returns:
        dict با کلیدهای fertilizer_needed, fertilizer_type, amount_kg_per_hectare, reason, npk_status, raw_response
    """
    cfg = config or load_rag_config()
    service = get_service_config(SERVICE_ID, cfg)
    service_cfg = RAGConfig(
        embedding=cfg.embedding,
        qdrant=cfg.qdrant,
        chunking=cfg.chunking,
        llm=service.llm,
        knowledge_bases=cfg.knowledge_bases,
        services=cfg.services,
        chromadb=cfg.chromadb,
    )
    client = get_chat_client(service_cfg)
    model = service.llm.model

    user_query = query or "توصیه کودهی برای مزرعه من چیست؟"

    context = build_rag_context(
        user_query, sensor_uuid, config=cfg, limit=limit, kb_name=KB_NAME, service_id=SERVICE_ID,
    )

    extra_parts: list[str] = []
    if plant_name and growth_stage:
        plant_text = build_plant_text(plant_name, growth_stage)
        if plant_text:
            extra_parts.append("[اطلاعات گیاه]\n" + plant_text)
    if extra_parts:
        context = "\n\n---\n\n".join(extra_parts) + ("\n\n---\n\n" + context if context else "")

    tone = _load_service_tone(service, cfg)
    system_parts = [tone] if tone else []
    if service.system_prompt:
        system_parts.append(service.system_prompt)
    system_parts.append(DEFAULT_FERTILIZATION_PROMPT)
    if context:
        system_parts.append("\n\n" + context)
    system_content = "\n".join(system_parts)

    messages = [
        {"role": "system", "content": system_content},
        {"role": "user", "content": user_query},
    ]
    audit_log = _create_audit_log(
        farm_uuid=sensor_uuid,
        service_id=SERVICE_ID,
        model=model,
        query=user_query,
        system_prompt=system_content,
        messages=messages,
    )

    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages,
        )
        raw = response.choices[0].message.content.strip()
    except Exception as exc:
        logger.error("Fertilization recommendation error for %s: %s", sensor_uuid, exc)
        result = {
            "fertilizer_needed": None,
            "fertilizer_type": None,
            "amount_kg_per_hectare": None,
            "reason": f"خطا در دریافت توصیه: {exc}",
            "npk_status": None,
            "raw_response": None,
        }
        _fail_audit_log(
            audit_log,
            str(exc),
            response_text=json.dumps(result, ensure_ascii=False, default=str),
        )
        return result

    try:
        cleaned = raw
        if cleaned.startswith("```"):
            cleaned = cleaned.strip("`").removeprefix("json").strip()
        result = json.loads(cleaned)
    except (json.JSONDecodeError, ValueError):
        result = {
            "plan": {
                "reasoning": raw,
            },
        }

    result["raw_response"] = raw
    _complete_audit_log(
        audit_log,
        json.dumps(result, ensure_ascii=False, default=str),
    )
    return result