#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import os
import json
import time
import logging
from typing import Dict, Any, Optional

# Importer BaseAgent depuis le répertoire utils
from agents.utils.base_agent import BaseAgent

# Configuration du logging
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger("AgentTicketAnalyser_DeepSeek")

class AgentTicketAnalyser(BaseAgent):
    """
    Agent spécialisé pour analyser un ticket et en extraire les informations clés.
    Version optimisée pour DeepSeek.
    """
    
    def __init__(self, llm: Any):
        """
        Initialise l'agent d'analyse de ticket avec un modèle LLM.
        
        Args:
            llm: Instance du modèle de langage à utiliser
        """
        super().__init__(llm)
        self.temperature = 0.1  # Température très basse pour une analyse factuelle
        self.top_p = 0.9
        self.max_tokens = 4000
        
        # System prompt spécifique pour l'analyse de tickets avec DeepSeek
        self.system_prompt = """Tu es un expert en analyse de tickets pour le support informatique de BRG-Lab pour la société CBAO.
Tu interviens avant l'analyse des captures d'écran pour contextualiser le ticket, identifier les questions posées, et structurer les échanges de manière claire.

Ta mission principale :

1. Identifier le client et le contexte du ticket (demande "name" et "description")
    - Récupère le nom de l'auteur si présent
    - Indique si un `user_id` est disponible
    - Conserve uniquement les informations d'identification utiles (pas d'adresse ou signature de mail inutile)

2. Mettre en perspective le `name` du ticket
    - Il peut contenir une ou plusieurs questions implicites
    - Reformule ces questions de façon explicite

3. Analyser la `description`
    - Elle fournit souvent le vrai point d'entrée technique
    - Repère les formulations interrogatives ou les demandes spécifiques
    - Identifie si cette partie complète ou précise les questions du nom

4. Structurer le fil de discussion
    - Conserve uniquement les échanges pertinents
    -Conserve les questions soulevés par "name" ou "description"
    - CONSERVE ABSOLUMENT les références documentation, FAQ, liens utiles et manuels
    - Identifie clairement chaque intervenant (client / support)
    - Classe les informations par ordre chronologique avec date et rôle

5. Préparer la transmission à l'agent suivant
    - Préserve tous les éléments utiles à l'analyse d'image : modules cités, options évoquées, comportements décrits
    - Mentionne si des images sont attachées au ticket

Structure ta réponse :

1. Résumé du contexte
    - Client (nom, email si disponible)
    - Sujet du ticket reformulé en une ou plusieurs questions
    - Description technique synthétique

2. Informations techniques détectées
    - Logiciels/modules mentionnés
    - Paramètres évoqués
    - Fonctionnalités impactées
    - Conditions spécifiques (multi-laboratoire, utilisateur non valide, etc.)

3. Fil de discussion (filtrée, nettoyée, classée)
   - Intervenant (Client/Support)
   - Date et contenu de chaque échange
   - Résumés techniques
   - INCLURE TOUS les liens documentaires (manuel, FAQ, documentation technique)

4. Éléments liés à l'analyse visuelle
   - Nombre d'images attachées
   - Références aux interfaces ou options à visualiser
   - Points à vérifier dans les captures (listes incomplètes, cases à cocher, utilisateurs grisés, etc.)

IMPORTANT :
- Ne propose aucune solution ni interprétation
- Ne génère pas de tableau
- Reste strictement factuel en te basant uniquement sur les informations fournies
- Ne reformule pas les messages, conserve les formulations exactes sauf nettoyage de forme"""

    def executer(self, ticket_data: Dict[str, Any]) -> str:
        """
        Analyse un ticket à partir des données fournies.
        
        Args:
            ticket_data: Dictionnaire contenant les données du ticket
                - 'ticket_summary': Résumé du ticket
                - 'messages': Liste des messages du ticket
                
        Returns:
            str: Analyse structurée du ticket
        """
        start_time = time.time()
        
        try:
            # Extraire le résumé du ticket
            ticket_summary = ticket_data.get('ticket_summary', {})
            ticket_code = ticket_summary.get('code', 'INCONNU')
            ticket_sujet = ticket_summary.get('sujet', 'Sans sujet')
            
            # Log des informations de base du ticket
            logger.info(f"Analyse du ticket {ticket_code}: {ticket_sujet}")
            print(f"  Analyse du ticket {ticket_code}: {ticket_sujet[:80]}{'...' if len(ticket_sujet) > 80 else ''}")
            
            # Construire le contexte à partir des messages
            messages = ticket_data.get('messages', [])
            
            # Construire un prompt pour analyser le ticket
            ticket_prompt = self._construire_prompt_ticket(ticket_summary, messages)
            
            # Analyser le ticket avec le LLM
            analyse = self.llm.generate(
                system_prompt=self.system_prompt,
                prompt=ticket_prompt,
                temperature=self.temperature,
                top_p=self.top_p,
                max_tokens=self.max_tokens
            )
            
            # Calcul du temps de génération
            generation_time = time.time() - start_time
            
            # Log de l'analyse complétée
            logger.info(f"Analyse complétée en {generation_time:.2f} secondes")
            print(f"  Analyse complétée en {generation_time:.2f} secondes")
            
            return analyse
            
        except Exception as e:
            logger.error(f"Erreur lors de l'analyse du ticket: {str(e)}")
            return f"ERREUR: Impossible d'analyser le ticket: {str(e)}"
    
    def _construire_prompt_ticket(self, ticket_summary: Dict[str, Any], messages: list) -> str:
        """
        Construit un prompt détaillé à partir des données du ticket.
        
        Args:
            ticket_summary: Résumé du ticket
            messages: Liste des messages du ticket
            
        Returns:
            str: Prompt détaillé pour l'analyse
        """
        # Construire l'en-tête avec les informations du ticket
        prompt = f"# TICKET: {ticket_summary.get('code', 'INCONNU')}\n"
        prompt += f"Sujet: {ticket_summary.get('sujet', 'Sans sujet')}\n"
        prompt += f"Statut: {ticket_summary.get('statut', 'Inconnu')}\n"
        prompt += f"Priorité: {ticket_summary.get('priorité', 'Non définie')}\n"
        prompt += f"Date de création: {ticket_summary.get('date_création', 'Inconnue')}\n\n"
        
        # Ajouter la section des messages
        prompt += "## MESSAGES DU TICKET\n\n"
        
        for i, message in enumerate(messages, 1):
            # Extraire les informations du message
            date = message.get('date', 'Date inconnue')
            auteur = message.get('auteur', 'Auteur inconnu')
            role = message.get('role', 'Rôle inconnu')
            contenu = message.get('contenu', '')
            
            # Ajouter l'en-tête du message
            prompt += f"### Message {i} - {date}\n"
            prompt += f"De: {auteur} ({role})\n\n"
            
            # Ajouter le contenu du message
            prompt += f"{contenu}\n\n"
            
            # Ajouter les informations sur les pièces jointes si disponibles
            attachments = message.get('attachments', [])
            if attachments:
                prompt += f"Pièces jointes ({len(attachments)}):\n"
                for attachment in attachments:
                    prompt += f"- {attachment.get('nom', 'Sans nom')} ({attachment.get('type', 'Type inconnu')})\n"
                prompt += "\n"
        
        # Ajouter les instructions d'analyse
        prompt += "\n## INSTRUCTIONS\n"
        prompt += "Analyse ce ticket selon les instructions dans ton system prompt. "
        prompt += "Fournis une analyse structurée et complète qui servira de base à l'analyse des images."
        
        return prompt