// src/main/kotlin/network/RagService.kt

import dev.langchain4j.community.rag.content.retriever.lucene.LuceneEmbeddingStore
import dev.langchain4j.data.document.Metadata
import dev.langchain4j.data.message.UserMessage
import dev.langchain4j.data.segment.TextSegment
import dev.langchain4j.model.openai.OpenAiChatModel
import dev.langchain4j.model.openai.OpenAiEmbeddingModel
import dev.langchain4j.store.embedding.EmbeddingSearchRequest
import kotlinx.coroutines.async
import kotlinx.coroutines.coroutineScope
import kotlinx.serialization.Serializable
import kotlinx.serialization.json.Json
import model.CandleData
import network.DartCodeManager
import network.KisTradeService
import network.NewsService
import org.apache.lucene.store.MMapDirectory
import org.jetbrains.exposed.sql.*
import org.jetbrains.exposed.sql.transactions.transaction
import service.TechnicalAnalyzer
import java.nio.file.Paths
import java.time.Duration

object RagService {
    // 임베딩 모델 (8081) 및 채팅 모델 (8080) 설정
    private val embeddingModel = OpenAiEmbeddingModel.builder()
        .baseUrl("http://127.0.0.1:8081/v1")
        .apiKey("unused")
        .build()

    private val chatModel = OpenAiChatModel.builder()
        .baseUrl("http://127.0.0.1:8080/v1")
        .apiKey("unused")
        .timeout(Duration.ofSeconds(60))
        .build()


    private val embeddingStore: LuceneEmbeddingStore by lazy {
        val path = Paths.get("db/lucene_idx")
        // FSDirectory.open(path)도 가능하지만, 64bit 시스템(Mac)에선 MMapDirectory가 가장 빠릅니다.
        val directory = MMapDirectory(path)

        // 제공해주신 소스의 Builder 사용
        LuceneEmbeddingStore.builder()
            .directory(directory)
            .build()
    }

    /**
     * 텍스트를 임베딩하여 H2 DB에 저장합니다.
     */
    fun ingest(text: String, newsLink: String = "", pubDate: String = "") {
        // 소스 코드의 TextSegment 구조에 맞춰 메타데이터 생성
        val metadata = Metadata()
        metadata.put("link", newsLink)
        metadata.put("date", pubDate)

        // TextSegment.from(text, metadata) 팩토리 메서드 활용
        val segment = TextSegment.from(text, metadata)
        val embedding = embeddingModel.embed(segment).content()

        // LuceneEmbeddingStore.add(Embedding, TextSegment) 호출
        embeddingStore.add(embedding, segment)
        println("🔎 [Lucene] 인덱싱 성공: ${text.take(20)}...")
    }

    suspend fun processStock(stockCode: String,result :(String, Boolean)->Unit,decide : (String,TradingDecision?)->Unit) {
        // 1. 10분간의 데이터 가져오기 (API 호출)
        coroutineScope {
            var tradingDecision : TradingDecision = TradingDecision()
            val corpCode = DartCodeManager.getCorpCode(stockCode)
            val financialDataDeferred = async { NewsService.fetchFinancialGrowth(corpCode) }

            tradingDecision.financialData = financialDataDeferred.await()
            result(tradingDecision.toString(),false)

            tradingDecision.techSummary = TechnicalAnalyzer.generateComprehensiveReport()
            result(tradingDecision.toString(),false)

            val question = "$stockCode 종목의 현재 주가 흐름과 뉴스, 재무 실적을 바탕으로 종합 투자 전략을 세워줘."
            val questionEmbedding = embeddingModel.embed(question).content()
            val searchResult = embeddingStore.search(
                EmbeddingSearchRequest.builder()
                    .queryEmbedding(questionEmbedding)
                    .maxResults(3)
                    .build()
            )
            tradingDecision.newsContext = searchResult.matches().joinToString("\n") { it.embedded().text() }
            result(tradingDecision.toString(),false)
            decide(stockCode,decideTrading(stockCode, tradingDecision.techSummary ?: "", tradingDecision.newsContext ?: "",tradingDecision.financialData ?: ""))

        }
    }


    /**
     * 질문과 가장 유사한 정보를 H2에서 검색하여 AI 답변을 생성합니다.
     */
    fun askWithContext(question: String,
                       corpInfo: String,
                       financialData: String,
                       days : List<CandleData>,
                       weeks : List<CandleData>,
                       monthly : List<CandleData>): String {
        val questionEmbedding = embeddingModel.embed(question).content()
        val searchResult = embeddingStore.search(
            EmbeddingSearchRequest.builder()
                .queryEmbedding(questionEmbedding)
                .maxResults(5)
                .build()
        )
        val newsContext = searchResult.matches().joinToString("\n") { it.embedded().text() }

        // 2. 종합 분석 프롬프트 구성
        val finalPrompt = """
        <|begin_of_text|><|start_header_id|>system<|end_header_id|>
        당신은 뉴스(심리), 재무(본질), 차트(추세)를 통합 분석하는 'AI 수석 애널리스트'입니다.
        제공된 데이터를 바탕으로 아래 형식을 엄격히 지켜 분석 리포트를 작성하세요.

        [데이터 세트]
        1. 기업 기본 정보: $corpInfo
        2. 재무 성장성: $financialData
        3. 기술적 추세: ${monthly}, ${weeks}, ${days}
        4. 최신 이슈(뉴스): $newsContext

        [분석 요청 사항]
        1. **업계 상황**: 해당 종목이 속한 업종의 현재 전체적인 흐름을 먼저 정리하세요.
        2. **종목 이슈 분석**: 뉴스에서 포착된 핵심 키워드와 시장의 반응을 요약하세요.
        3. **장기/단기 전략**: 
           - 장기(재무/월봉 기반): 추천 혹은 비추천 사유
           - 단기(뉴스/일봉 기반): 추천 혹은 비추천 사유
        4. **최종 결론**: '매수/관망/매도' 의견과 그에 따른 근거를 단호하게 제시하세요.
        <|eot_id|>
        <|start_header_id|>user<|end_header_id|>
        질문: $question
        <|eot_id|><|start_header_id|>assistant<|end_header_id|>
    """.trimIndent()

        val response = chatModel.chat(UserMessage.from(finalPrompt))
        println(response)
        return response.aiMessage().text()
    }

    suspend fun decideTrading(
        stockName: String,
        techSummary: String,
        newsContext: String,
        financialData: String
    ): TradingDecision? {
        val prompt = """
            <|begin_of_text|><|start_header_id|>system<|end_header_id|>
        당신은 수치 기반의 '정량 분석(Quantitative Analysis)' 단기 데이트레이딩 전문가이자 전문 애널리스트입니다.
        제공된 데이터를 바탕으로 투자 기간별 스코어를 산출하고 최종 매매 결정을 내리십시오.
        아래 데이터를 분석하여 '매수', '매도', '관망' 중 하나를 결정하세요.
        
        [데이터 요약]
        - 종목: $stockName
        $techSummary
        - 기업/재무: $financialData
        - 시장 심리: $newsContext

        [스코어 산출 가이드 (0-100)]
        1. 초단기: 30분봉 추세, MFI, OBV 에너지가 일치하면 80점 이상.
        2. 단기: 일봉 이평선 정배열 및 3일 변동률 양수일 때 70점 이상.
        3. 중기: 주봉 추세와 재무 성장성(매출/영익)이 동반 상승 시 75점 이상.
        4. 장기: 월봉 위치와 기업의 근본적인 시장 지배력 기반 판단.

        [응답 형식]
        반드시 아래 JSON 형식으로만 답변하십시오:
        {
          "ultraShortScore": (숫자),
          "shortTermScore": (숫자),
          "midTermScore": (숫자),
          "longTermScore": (숫자),
          "decision": "BUY" | "SELL" | "HOLD",
          "reason": "결정적 근거 한 줄",
          "confidence": 0~100
        }
        <|eot_id|>
        <|start_header_id|>user<|end_header_id|>
        모든 데이터를 종합하여 스코어링 리포트를 작성하십시오.
        <|eot_id|><|start_header_id|>assistant<|end_header_id|>
    """.trimIndent()

        val response = chatModel.chat(UserMessage.from(prompt))
        val jsonResponse = response.aiMessage().text()

        // JSON 파싱 (Kotlinx Serialization 활용)
        return try {
            println(jsonResponse)
            val decision =   Json.decodeFromString<TradingDecision>(jsonResponse)
            decision.financialData = financialData
            decision.newsContext = newsContext
            decision.techSummary = techSummary
            decision
        } catch (e: Exception) {
            null
        }
    }


}
@Serializable
class TradingDecision {
    val ultraShortScore: Int = 0 // 초단기 (분봉/에너지)
    val shortTermScore: Int = 0  // 단기 (일봉/뉴스)
    val midTermScore: Int = 0    // 중기 (주봉/재무)
    val longTermScore: Int = 0
    var decision: String? = null
    var reason: String? = null
    var confidence: Int = 0
    var techSummary : String? = null
    var newsContext : String? = null
    var financialData : String? = null
    override fun toString(): String {
        return """
ultraShortScore :$ultraShortScore
shortTermScore :$shortTermScore
midTermScore :$midTermScore
longTermScore :$longTermScore
decision: $decision 
reason: $reason 
confidence: $confidence
techSummary: $techSummary
newsContext: $newsContext
financialData: $financialData
        """.trimIndent()
    }
}