"""
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 django.apps import apps

from farm_data.models import SensorData
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 = (
    "از داده های خاک، مرحله رشد و خروجی بهینه ساز شبیه سازی برای ساخت توصیه کودهی استفاده کن. "
    "اگر بلوک [خروجی بهینه ساز شبیه سازی] وجود داشت، همان را مرجع اصلی فرمول، مقدار، روش مصرف و اعتبار قرار بده. "
    "پاسخ فقط JSON معتبر با کلید sections باشد."
)


def _get_optimizer():
    return apps.get_app_config("crop_simulation").get_recommendation_optimizer()


def _unique_items(items: list[str]) -> list[str]:
    seen = set()
    output = []
    for item in items:
        normalized = (item or "").strip()
        if not normalized or normalized in seen:
            continue
        seen.add(normalized)
        output.append(normalized)
    return output


def _find_section(sections: list[dict], section_type: str) -> dict | None:
    for section in sections:
        if isinstance(section, dict) and section.get("type") == section_type:
            return section
    return None


def _build_fertilization_fallback(*, optimized_result: dict | None) -> dict:
    if optimized_result:
        recommended = optimized_result["recommended_strategy"]
        list_items = [
            f"دوز پیشنهادی: {recommended['amount_kg_per_ha']} کیلوگرم در هکتار",
            f"روش مصرف: {recommended['application_method']}",
            f"پنجره اجرا: {recommended['validity_period']}",
        ]
        warning_text = "قبل از اختلاط یا محلول سازی، سازگاری کود با آب و شرایط مزرعه بررسی شود."
        return {
            "sections": [
                {
                    "type": "recommendation",
                    "title": "برنامه کودهی بهینه",
                    "icon": "leaf",
                    "content": (
                        f"سناریوی {recommended['label']} برای این مزرعه مناسب تر ارزیابی شد."
                    ),
                    "fertilizerType": recommended["fertilizer_type"],
                    "amount": f"{recommended['amount_kg_per_ha']} کیلوگرم در هکتار",
                    "applicationMethod": recommended["application_method"],
                    "timing": recommended["timing"],
                    "validityPeriod": recommended["validity_period"],
                    "expandableExplanation": " ".join(recommended.get("reasoning", [])),
                },
                {
                    "type": "list",
                    "title": "نکات اجرایی و اختلاط",
                    "icon": "list",
                    "items": _unique_items(list_items),
                },
                {
                    "type": "warning",
                    "title": "هشدار کودهی",
                    "icon": "alert-triangle",
                    "content": warning_text,
                },
            ]
        }

    return {
        "sections": [
            {
                "type": "recommendation",
                "title": "برنامه کودهی پیشنهادی",
                "icon": "leaf",
                "content": "پیشنهاد کودهی بر اساس داده های فعلی با قطعیت متوسط آماده شده است.",
                "fertilizerType": "کود کامل متعادل",
                "amount": "پس از پایش دوباره عناصر اصلی تعیین شود",
                "applicationMethod": "ترجیحا همراه آب آبیاری",
                "timing": "صبح زود",
                "validityPeriod": "معتبر برای 5 روز آینده",
                "expandableExplanation": "به دلیل محدود بودن داده های تغذیه ای، تصمیم نهایی باید با پایش مجدد تکمیل شود.",
            },
            {
                "type": "list",
                "title": "نکات اجرایی و اختلاط",
                "icon": "list",
                "items": [
                    "قبل از مصرف، EC و pH محلول بررسی شود.",
                    "در صورت مشاهده بارش موثر، زمان مصرف بازبینی شود.",
                ],
            },
            {
                "type": "warning",
                "title": "هشدار کودهی",
                "icon": "alert-triangle",
                "content": "بدون بررسی دوباره مزرعه از مصرف سنگین کود خودداری شود.",
            },
        ]
    }


def _merge_fertilization_response(
    *,
    parsed_result: dict,
    optimized_result: dict | None,
) -> dict:
    fallback = _build_fertilization_fallback(optimized_result=optimized_result)
    if not isinstance(parsed_result, dict):
        return fallback

    sections = parsed_result.get("sections")
    if not isinstance(sections, list):
        return fallback

    recommendation = _find_section(sections, "recommendation") or {}
    list_section = _find_section(sections, "list") or {}
    warning_section = _find_section(sections, "warning") or {}

    fallback_recommendation = fallback["sections"][0]
    fallback_list = fallback["sections"][1]
    fallback_warning = fallback["sections"][2]

    merged_recommendation = {**recommendation, **fallback_recommendation}
    merged_recommendation["content"] = recommendation.get("content") or fallback_recommendation["content"]
    merged_recommendation["title"] = recommendation.get("title") or fallback_recommendation["title"]
    merged_recommendation["expandableExplanation"] = (
        recommendation.get("expandableExplanation")
        or fallback_recommendation["expandableExplanation"]
    )

    merged_list = {
        **fallback_list,
        **list_section,
        "items": _unique_items(
            list(list_section.get("items", [])) + list(fallback_list["items"])
        )[:5],
    }
    merged_warning = {
        **fallback_warning,
        **warning_section,
        "content": warning_section.get("content") or fallback_warning["content"],
    }

    return {"sections": [merged_recommendation, merged_list, merged_warning]}


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؟"

    sensor = (
        SensorData.objects.select_related("center_location")
        .prefetch_related("plants")
        .filter(farm_uuid=sensor_uuid)
        .first()
    )
    resolved_plant_name = plant_name
    plant = None
    if not resolved_plant_name and sensor is not None:
        plant = sensor.plants.first()
        if plant is not None:
            resolved_plant_name = plant.name
    elif sensor is not None and plant_name:
        plant = sensor.plants.filter(name=plant_name).first() or sensor.plants.first()

    forecasts = []
    optimized_result = None
    if sensor is not None and getattr(sensor, "center_location", None) is not None:
        from weather.models import WeatherForecast

        forecasts = list(
            WeatherForecast.objects.filter(
                location=sensor.center_location,
                forecast_date__isnull=False,
            ).order_by("forecast_date")[:7]
        )
    if sensor is not None and plant is not None:
        optimized_result = _get_optimizer().optimize_fertilization(
            sensor=sensor,
            plant=plant,
            forecasts=forecasts,
            growth_stage=growth_stage,
        )

    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 resolved_plant_name and growth_stage:
        plant_text = build_plant_text(resolved_plant_name, growth_stage)
        if plant_text:
            extra_parts.append("[اطلاعات گیاه]\n" + plant_text)
    if optimized_result is not None:
        extra_parts.append(
            "[خروجی بهینه ساز شبیه سازی]\n"
            + optimized_result["context_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 = _build_fertilization_fallback(optimized_result=optimized_result)
        result["error"] = f"خطا در دریافت توصیه: {exc}"
        result["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 = {}

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