// deepask.go – Multi-Step Reasoning: iterative RAG-Suche mit Folgefragen
package brain

import (
	"context"
	"fmt"
	"log/slog"
	"strings"
	"time"

	openai "github.com/sashabaranov/go-openai"
	"google.golang.org/grpc/metadata"

	"my-brain-importer/internal/agents"
	"my-brain-importer/internal/config"
)

const maxDeepSteps = 3

// DeepAskQuery führt eine iterative RAG-Suche durch:
// 1. Initiale Suche → LLM generiert Folgefragen
// 2. Vertiefungssuchen mit Folgefragen (max 2 Iterationen)
// 3. Synthese: alle gesammelten Chunks → umfassende Antwort
func DeepAskQuery(question string, history []agents.HistoryMessage) (string, []KnowledgeChunk, error) {
	start := time.Now()

	ctx := context.Background()
	ctx = metadata.AppendToOutgoingContext(ctx, "api-key", config.Cfg.Qdrant.APIKey)

	embClient := config.NewEmbeddingClient()
	chatClient := config.NewChatClient()

	// Deduplizierung über alle Schritte
	seen := make(map[string]bool)
	var allChunks []KnowledgeChunk

	addChunks := func(chunks []KnowledgeChunk) int {
		added := 0
		for _, c := range chunks {
			if !seen[c.Text] {
				seen[c.Text] = true
				allChunks = append(allChunks, c)
				added++
			}
		}
		return added
	}

	// Phase 1: Initiale Suche
	slog.Info("[DeepAsk] Phase 1: Initiale Suche", "frage", question)
	initialChunks := searchKnowledge(ctx, embClient, question)
	addChunks(initialChunks)

	if len(allChunks) == 0 {
		return "", nil, nil
	}

	// Phase 2: Folgefragen generieren und suchen (max 2 Iterationen)
	queries := []string{question}
	for step := 1; step < maxDeepSteps; step++ {
		followUps := generateFollowUpQueries(ctx, chatClient, question, allChunks)
		if len(followUps) == 0 {
			slog.Info("[DeepAsk] Keine Folgefragen generiert, überspringe", "schritt", step)
			break
		}

		slog.Info("[DeepAsk] Phase 2: Vertiefung",
			"schritt", step,
			"folgefragen", len(followUps),
			"fragen", followUps,
		)

		newFound := 0
		for _, fq := range followUps {
			chunks := searchKnowledge(ctx, embClient, fq)
			newFound += addChunks(chunks)
			queries = append(queries, fq)
		}

		if newFound == 0 {
			slog.Info("[DeepAsk] Keine neuen Chunks gefunden, beende Vertiefung", "schritt", step)
			break
		}

		slog.Info("[DeepAsk] Neue Chunks gefunden", "schritt", step, "neu", newFound, "gesamt", len(allChunks))
	}

	// Phase 3: Synthese — alle Chunks + Frage → umfassende Antwort
	slog.Info("[DeepAsk] Phase 3: Synthese", "chunks", len(allChunks), "schritte", len(queries))

	contextText := buildContext(allChunks)
	coreMemory := LoadCoreMemory()

	systemPrompt := `Du bist ein hilfreicher persönlicher Assistent mit Zugang zu einer umfangreichen Wissensdatenbank.
Dir wurden Informationen aus mehreren Suchdurchläufen bereitgestellt.

WICHTIGE REGELN:
- Nutze ALLE bereitgestellten Informationen für eine umfassende Antwort
- Verbinde Informationen aus verschiedenen Quellen zu einer kohärenten Antwort
- Ergänze mit eigenem Wissen wenn sinnvoll, kennzeichne es mit "Aus meinem Wissen:"
- Antworte auf Deutsch
- Sei gründlich aber strukturiert`

	if coreMemory != "" {
		systemPrompt += "\n\n## Fakten über den Nutzer:\n" + coreMemory
	}

	userPrompt := fmt.Sprintf(`Hier sind relevante Informationen aus mehreren Suchdurchläufen in meiner Wissensdatenbank:

%s

Basierend auf ALLEN diesen Informationen, beantworte bitte umfassend folgende Frage:
%s`, contextText, question)

	msgs := []openai.ChatCompletionMessage{
		{Role: openai.ChatMessageRoleSystem, Content: systemPrompt},
	}
	for _, h := range history {
		msgs = append(msgs, openai.ChatCompletionMessage{
			Role:    h.Role,
			Content: h.Content,
		})
	}
	msgs = append(msgs, openai.ChatCompletionMessage{
		Role:    openai.ChatMessageRoleUser,
		Content: userPrompt,
	})

	stream, err := chatClient.CreateChatCompletionStream(ctx, openai.ChatCompletionRequest{
		Model:       config.Cfg.Chat.Model,
		Messages:    msgs,
		Temperature: 0.7,
		MaxTokens:   800,
	})
	if err != nil {
		return "", nil, fmt.Errorf("LLM Fehler: %w", err)
	}
	defer stream.Close()

	var answer strings.Builder
	for {
		response, err := stream.Recv()
		if err != nil {
			break
		}
		if len(response.Choices) > 0 {
			answer.WriteString(response.Choices[0].Delta.Content)
		}
	}

	slog.Info("[DeepAsk] Abgeschlossen",
		"dauer", time.Since(start).Round(time.Millisecond),
		"chunks_gesamt", len(allChunks),
		"suchanfragen", len(queries),
		"antwort_zeichen", answer.Len(),
	)

	return answer.String(), allChunks, nil
}

// generateFollowUpQueries lässt das LLM basierend auf bisherigen Ergebnissen Folgefragen generieren.
// Gibt 0-3 Folgefragen zurück.
func generateFollowUpQueries(ctx context.Context, chatClient *openai.Client, question string, chunks []KnowledgeChunk) []string {
	contextText := buildContext(chunks)

	prompt := fmt.Sprintf(`Originalfrage: %s

Bisherige Suchergebnisse:
%s

Generiere 1-3 Folgefragen, die helfen würden, die Originalfrage besser zu beantworten.
Jede Folgefrage muss auf einer eigenen Zeile stehen und mit "FOLGEFRAGE:" beginnen.
Wenn die bisherigen Ergebnisse die Frage bereits vollständig beantworten, schreibe: KEINE FOLGEFRAGEN`, question, contextText)

	resp, err := chatClient.CreateChatCompletion(ctx, openai.ChatCompletionRequest{
		Model: config.Cfg.Chat.Model,
		Messages: []openai.ChatCompletionMessage{
			{Role: openai.ChatMessageRoleSystem, Content: "Du generierst präzise Suchfragen für eine Wissensdatenbank. Antworte NUR im vorgegebenen Format."},
			{Role: openai.ChatMessageRoleUser, Content: prompt},
		},
		Temperature: 0.3,
		MaxTokens:   300,
	})
	if err != nil {
		slog.Warn("[DeepAsk] Folgefragen-Generierung fehlgeschlagen", "fehler", err)
		return nil
	}
	if len(resp.Choices) == 0 {
		return nil
	}

	return parseFollowUpQueries(resp.Choices[0].Message.Content)
}

// parseFollowUpQueries extrahiert Folgefragen aus der LLM-Antwort.
// Erwartet Zeilen im Format "FOLGEFRAGE: <frage>".
func parseFollowUpQueries(response string) []string {
	// Reasoning-Modelle: Antwort nach </think>-Tag
	if idx := strings.LastIndex(response, "</think>"); idx >= 0 {
		response = response[idx+len("</think>"):]
	}

	if strings.Contains(strings.ToUpper(response), "KEINE FOLGEFRAGEN") {
		return nil
	}

	var queries []string
	for _, line := range strings.Split(response, "\n") {
		line = strings.TrimSpace(line)
		upper := strings.ToUpper(line)
		if strings.HasPrefix(upper, "FOLGEFRAGE:") {
			q := strings.TrimSpace(line[len("FOLGEFRAGE:"):])
			if q != "" {
				queries = append(queries, q)
			}
		}
	}

	// Max 3 Folgefragen
	if len(queries) > 3 {
		queries = queries[:3]
	}
	return queries
}