"""
app/services/semantic_analyzer.py — Edge Validation & Filtering
Der Service ist nun primär dafür zuständig, Kanten aus einer Liste dem gegebenen Chunk zuzuordnen.
"""
import json
import logging
from typing import List, Dict, Any, Optional

# Import der benötigten Services (Annahme: llm_service ist verfügbar.)
from app.services.llm_service import LLMService

logger = logging.getLogger(__name__)

# Ein Singleton-Muster für den Analyzer (wie zuvor)
_analyzer_instance: Optional['SemanticAnalyzer'] = None

def get_semantic_analyzer():
    global _analyzer_instance
    if _analyzer_instance is None:
        _analyzer_instance = SemanticAnalyzer()
    return _analyzer_instance

class SemanticAnalyzer:
    def __init__(self):
        # Der DiscoveryService wird hier nicht mehr direkt benötigt.
        self.llm = LLMService()

    async def filter_edges_for_chunk(self, chunk_text: str, all_note_edges: List[str], note_type: str) -> List[str]:
        """
        [Schritt 4 des Workflows] Sendet Chunk und alle Kanten an LLM, um die relevanten Kanten für diesen Chunk zu filtern.
        :param chunk_text: Der Text des Chunks zur Analyse.
        :param all_note_edges: Alle für die gesamte Notiz gefundenen Kanten (Format: "kind:Target").
        :param note_type: Der Typ der Notiz.
        :return: Liste der relevanten Kanten für diesen Chunk.
        """
        if not all_note_edges:
            return []
            
        edge_list_str = "\n".join([f"- {e}" for e in all_note_edges])
        
        system_prompt = (
            "Du bist ein Edge Filter Agent. Deine Aufgabe ist es, aus einer gegebenen Liste von potentiellen "
            "Knowledge Graph Kanten (Edges) jene auszuwählen, die *semantisch relevant* für den vorliegenden "
            "Textausschnitt sind. Alle Kanten beziehen sich auf die Hauptnotiz.\n"
            "Antworte AUSSCHLIESSLICH mit einer validen JSON-Liste von Kanten-Strings, die im Text direkt erwähnt oder "
            "klar impliziert werden. Es ist KEIN Array von Objekten, sondern ein Array von Strings.\n"
            "Format: [\"kind:Target\", \"kind:Target\", ...]\n"
            "Wähle nur Kanten, die der Chunk *aktiv* benötigt oder referenziert."
        )

        user_prompt = (
            f"Notiz-Typ: {note_type}\n"
            f"Textausschnitt:\n---\n{chunk_text}\n---\n\n"
            f"Gesamte Kanten der Notiz (AUSWAHL):\n{edge_list_str}\n\n"
            "Welche der oben genannten Kanten sind für diesen Textabschnitt relevant? Liste sie im JSON-Array auf."
        )

        try:
            # 1. LLM Call
            response_json = await self.llm.generate_raw_response(
                user_prompt, 
                system=system_prompt,
                force_json=True
            )
            
            # 2. Robustes JSON Parsing
            clean_json = response_json.replace("```json", "").replace("```", "").strip()
            data = json.loads(clean_json)
            
            if isinstance(data, list):
                # Filtere nach Strings, die den Doppelpunkt enthalten, um das Format "kind:Target" zu garantieren.
                return [s for s in data if isinstance(s, str) and ":" in s]
            
            logger.warning(f"SemanticAnalyzer: LLM lieferte non-list beim Edge-Filtern: {data}")
            return [] 

        except json.JSONDecodeError as e:
            logger.error(f"SemanticAnalyzer: LLM lieferte KEIN valides JSON beim Edge-Filtern: {e}")
            return []
        except Exception as e:
            logger.error(f"SemanticAnalyzer Unbehandelter Fehler beim Edge-Filtern: {e}")
            return []

    async def close(self):
        # Stellt sicher, dass der AsyncClient geschlossen wird (gute Praxis)
        if self.llm:
            await self.llm.close()