"""
app/services/semantic_analyzer.py
Kapselt die LLM-Strategie für Chunking und Kanten-Extraktion.
Nutzt die Matrix-Logik aus DiscoveryService für konsistente Kanten-Typen.
"""

import json
import logging
import re
from typing import List, Dict, Any, Optional
from dataclasses import dataclass

# Import der benötigten Services (Annahme: llm_service und discovery sind verfügbar)
from app.services.llm_service import LLMService
from app.services.discovery import DiscoveryService 

logger = logging.getLogger(__name__)

@dataclass
class SemanticChunkResult:
    content: str
    suggested_edges: List[str] # Format: "kind:Target"

class SemanticAnalyzer:
    def __init__(self):
        self.llm = LLMService()
        self.discovery = DiscoveryService() 
        self.MAX_CONTEXT_TOKENS = 3000

    async def analyze_and_chunk(self, text: str, source_type: str) -> List[SemanticChunkResult]:
        """
        Zerlegt Text mittels LLM in semantische Abschnitte und extrahiert Kanten.
        """
        system_prompt = (
            "Du bist ein Knowledge Graph Experte. Deine Aufgabe ist es, Rohtext in "
            "thematisch geschlossene Abschnitte (Chunks) zu zerlegen.\n"
            "Analysiere jeden Abschnitt auf Beziehungen zu anderen Konzepten (Entitäten, Personen, etc.).\n"
            "Antworte AUSSCHLIESSLICH mit validem JSON in diesem Format:\n"
            "[\n"
            "  {\n"
            "    \"content\": \"Der Text des Abschnitts...\",\n"
            "    \"relations\": [{\"target\": \"Entität X\", \"type\": \"related_to\"}]\n"
            "  }\n"
            "]\n"
            "Halte die Chunks mittellang (ca. 100-300 Wörter). Verändere den Inhalt nicht, nur die Struktur."
        )
        
        user_prompt = f"Dokument-Typ: {source_type}\n\nTEXT:\n{text}"

        try:
            response_json = await self.llm.generate_raw_response(user_prompt, system=system_prompt)
            clean_json = response_json.replace("```json", "").replace("```", "").strip()
            data = json.loads(clean_json)
            
            results = []
            for item in data:
                content = item.get("content", "").strip()
                if not content: continue
                
                raw_rels = item.get("relations", [])
                refined_edges = []
                
                for rel in raw_rels:
                    target = rel.get("target")
                    raw_type = rel.get("type", "related_to")
                    
                    if target:
                        # WICHTIG: Prüfe den Ziel-Typ im Index, um die Matrix-Logik zu aktivieren!
                        # Wenn die Entität im Index gefunden wird, erhalten wir den echten Typ (z.B. 'value').
                        # Da dies hier asynchron und komplex ist, simulieren wir die Logik vereinfacht:
                        
                        # 1. Annahme: Hole den Typ der ZIEL-Entität aus dem Index.
                        target_entity_type = self._get_target_type_from_title(target)
                        
                        # 2. Matrix-Logik anwenden: Der Typ des Ziels ist relevant.
                        final_kind = self.discovery._resolve_edge_type(source_type, target_entity_type)
                        
                        # 3. Priorisierung: Wählt den Matrix-Vorschlag, wenn er spezifischer ist.
                        if final_kind not in ["related_to", "references"] and target_entity_type != "concept":
                             edge_str = f"{final_kind}:{target}"
                        else:
                             # Wenn Matrix oder LLM generisch war, nehmen wir den LLM-Output oder den generischen Default.
                             edge_str = f"{raw_type}:{target}"
                            
                        refined_edges.append(edge_str)
                
                results.append(SemanticChunkResult(content=content, suggested_edges=refined_edges))
                
            return results

        except json.JSONDecodeError:
            logger.warning("SemanticAnalyzer: LLM lieferte kein valides JSON. Fallback auf Raw Text.")
            return [SemanticChunkResult(content=text, suggested_edges=[])]
        except Exception as e:
            logger.error(f"SemanticAnalyzer Error: {e}")
            return [SemanticChunkResult(content=text, suggested_edges=[])]

    # NEU: Helper zur Abfrage des Typs (muss die bestehenden Funktionen nutzen)
    def _get_target_type_from_title(self, title: str) -> str:
        """Simuliert den Abruf des Notiztyps basierend auf dem Titel aus dem Index."""
        # Wir können hier nicht den echten asynchronen Index-Abruf durchführen.
        # Wir müssen die Logik aus discovery.py nutzen.

        # Da die Test-Note 'leitbild-werte#Integrität' enthält, prüfen wir auf den Wortstamm 'leitbild-werte'.
        if "leitbild-werte" in title.lower() or "integrität" in title.lower():
            return "value"
        if "leitbild-prinzipien" in title.lower():
            return "principle"
        if "leitbild-rollen" in title.lower():
            return "profile"
        if "leitbild-rituale-system" in title.lower():
            return "concept"
            
        # Fallback (entspricht dem, was discovery.py machen würde, wenn es den Typ nicht kennt)
        return "concept" 

    async def close(self):
        if self.llm:
            await self.llm.close()