"""턴 오케스트레이터 — 상담 1턴 파이프라인 1~8단계 조립.

MASTERPLAN §2.2 / MEMORY_DESIGN §2-B 턴 사이클:
  1. [입력 가드레일] PII 마스킹 + 위기분류(실제위기 vs 연기)            (guardrail)
  2. [상태머신] effective_openness 결정론 계산 + 단계전이               (state_machine)
  3. [페르소나 컨텍스트] L0~L6 messages 조립                            (persona)
  4. [내담자 AI] engine_client.stream/generate (CCD 비노출)            (engine_client)
  5. [출력 가드레일] 자살수단 차단, ideation 상한                       (guardrail)
  6. [평가 훅] 주입형 — 평가 함수는 *인자로 받는다*(Features 소유)       (hook)
  7. [상태 갱신] working state 반영(체크포인트는 호출부가 DB/store UPSERT)
  8. [로깅 훅] 주입형 — turns insert/임베딩은 호출부가 주입

설계 원칙:
  - 평가(evaluator) 함수와 로깅 함수는 *주입*받는다(이 모듈은 evaluator.py 를 import 하지 않음).
  - DB 는 인터페이스로 추상화하되 asyncpg conn 도 받을 수 있게 했다(현재는 hook 으로만 사용).
  - generate(동기, 폴백/테스트) + stream(SSE 토큰) 두 경로 모두 제공.
  - 엔진 장애는 EngineError 로 전파 → 라우트가 503/SSE error 프레임으로 변환.
"""

from __future__ import annotations

from dataclasses import dataclass, field
from typing import Any, AsyncIterator, Awaitable, Callable, Optional

from ..engine_client import (
    EngineClient,
    EngineError,
    EngineMessage,
    GenerateRequest,
    GenerateResponse,
    StreamRequest,
)
from . import guardrail, persona, state_machine
from .persona import PersonaCard, PersonaStateContext
from .state_machine import SessionState, Stage

# 평가 훅 타입: U_t(수련생 마스킹 발화) + 내담자응답 + 상태 → 평가 결과(dict)
# Features evaluator 가 이 시그니처에 맞춰 함수를 주입한다(여기선 호출만).
EvalHook = Callable[["TurnContext", str], Awaitable[Optional[dict]]]
# 로깅 훅: TurnContext + 내담자응답 → None (turns insert/임베딩은 주입측 책임)
LogHook = Callable[["TurnContext", str], Awaitable[None]]


@dataclass(slots=True)
class TurnContext:
    """한 턴 파이프라인을 관통하는 컨텍스트(가드레일/상태/페르소나 산출 집약)."""

    session_id: str
    case_id: Optional[str]
    persona: PersonaCard
    state_before: SessionState
    learner_text_raw: str
    learner_text_masked: str = ""
    crisis: Optional[guardrail.CrisisResult] = None
    state_after: Optional[SessionState] = None
    messages: list[EngineMessage] = field(default_factory=list)
    # 회상/메모리 주입(memory.RecallContext 에서 옴)
    recall_summary: Optional[str] = None
    pinned_facts: list[str] = field(default_factory=list)
    recent_turns: list[dict[str, str]] = field(default_factory=list)
    kb_behavior_cues: list[str] = field(default_factory=list)

    def to_state_context(self) -> PersonaStateContext:
        st = self.state_after or self.state_before
        return PersonaStateContext(
            stage=st.stage.value,
            effective_openness=st.effective_openness,
            resistance=st.resistance,
            rapport_credit=st.rapport_credit,
            ideation_stage=st.ideation_stage,
            affect_state=st.affect_state,
        )


@dataclass(slots=True)
class TurnResult:
    """동기(generate) 턴 결과."""

    turn_seq: int
    stage: str
    effective_openness: float
    client_reply: Optional[str]
    safety_flagged: bool
    state_after: SessionState
    evaluation: Optional[dict] = None
    crisis_kind: str = "none"


# ════════════════════════════════════════════════════════════════════════════
# 1~3단계 — 입력 가드레일 + 상태머신 + 페르소나 컨텍스트 (엔진 호출 전 결정론)
# ════════════════════════════════════════════════════════════════════════════
def prepare_turn(
    *,
    session_id: str,
    case_id: Optional[str],
    card: PersonaCard,
    state: SessionState,
    learner_text: str,
    recall_summary: Optional[str] = None,
    pinned_facts: Optional[list[str]] = None,
    recent_turns: Optional[list[dict[str, str]]] = None,
    kb_behavior_cues: Optional[list[str]] = None,
    eval_rapport_signal: Optional[float] = None,
) -> TurnContext:
    """엔진 호출 전 결정론 전처리(1~3단계). 순수 — IO/LLM 없음.

    eval_rapport_signal 이 주어지면(평가 AI fast-loop 신호) 그걸 쓰고, 없으면
    state_machine 의 경량 휴리스틱으로 라포 신호를 추정한다.
    """
    ctx = TurnContext(
        session_id=session_id,
        case_id=case_id,
        persona=card,
        state_before=state,
        learner_text_raw=learner_text,
        recall_summary=recall_summary,
        pinned_facts=list(pinned_facts or []),
        recent_turns=list(recent_turns or []),
        kb_behavior_cues=list(kb_behavior_cues or []),
    )

    # 1) 입력 가드레일 — PII 마스킹 + 위기분류
    mask = guardrail.mask_pii(learner_text)
    ctx.learner_text_masked = mask.text_masked
    ctx.crisis = guardrail.classify_crisis(learner_text, speaker_is_persona_context=True)

    # 2) 상태머신 — 라포 신호 → 결정론 전이
    signal = (
        eval_rapport_signal
        if eval_rapport_signal is not None
        else state_machine.estimate_rapport_signal(ctx.learner_text_masked)
    )
    ctx.state_after = state_machine.evolve(
        state,
        rapport_signal=signal,
        unlock_rate=card.unlock_rate(),
        decay_floor=card.decay_floor(),
    )

    # 3) 페르소나 컨텍스트 — L0~L6 messages 조립 (CCD 는 행동으로만, L0 가 강제)
    ctx.messages = persona.build_turn_messages(
        card,
        ctx.to_state_context(),
        ctx.learner_text_masked,
        recall_summary=ctx.recall_summary,
        pinned_facts=ctx.pinned_facts,
        recent_turns=ctx.recent_turns,
        kb_behavior_cues=ctx.kb_behavior_cues,
    )
    return ctx


# ════════════════════════════════════════════════════════════════════════════
# 4~8단계 — 동기 생성 경로 (폴백/테스트)
# ════════════════════════════════════════════════════════════════════════════
async def run_turn_generate(
    ctx: TurnContext,
    engine: EngineClient,
    *,
    eval_hook: Optional[EvalHook] = None,
    log_hook: Optional[LogHook] = None,
) -> TurnResult:
    """동기 턴 실행(4~8). 내담자 응답을 한 번에 받아 가드레일·평가·로깅 훅 순차 적용.

    eval_hook/log_hook 은 Features 가 주입(없으면 생략). 엔진 장애는 EngineError 전파.
    """
    assert ctx.state_after is not None
    st = ctx.state_after

    # 4) 내담자 AI 생성
    req = GenerateRequest(
        ai_role="client",
        tier="client",
        messages=ctx.messages,
        session_id=ctx.session_id,
        metadata={"stage": st.stage.value},
    )
    resp: GenerateResponse = await engine.generate(req)
    reply = resp.text

    # 5) 출력 가드레일 — 수단 차단 + ideation 상한
    guard = guardrail.sanitize_client_reply(reply, ideation_stage=st.ideation_stage)
    safety_flagged = guard.blocked or (ctx.crisis is not None and ctx.crisis.escalate)
    if guard.needs_regeneration:
        # 수단정보 누출 → 안전 대체 응답으로 치환(1차). 재생성 루프는 후속.
        reply = "…(말을 잇지 못하고 잠시 침묵한다)"

    # 6) 평가 훅(주입형) — 평가 AI 4차원 태깅 (Features 소유)
    evaluation: Optional[dict] = None
    if eval_hook is not None:
        try:
            evaluation = await eval_hook(ctx, reply)
        except Exception:
            evaluation = None  # 평가 실패가 상담 루프를 막지 않게(비치명적)

    # 8) 로깅 훅(주입형) — turns insert + 임베딩
    if log_hook is not None:
        try:
            await log_hook(ctx, reply)
        except Exception:
            pass

    return TurnResult(
        turn_seq=st.turn_seq,
        stage=st.stage.value,
        effective_openness=st.effective_openness,
        client_reply=reply,
        safety_flagged=safety_flagged,
        state_after=st,
        evaluation=evaluation,
        crisis_kind=ctx.crisis.kind.value if ctx.crisis else "none",
    )


# ════════════════════════════════════════════════════════════════════════════
# 4~8단계 — SSE 스트림 경로 (기본 UX)
# ════════════════════════════════════════════════════════════════════════════
@dataclass(slots=True)
class StreamEvent:
    """SSE 재방출용 이벤트. 라우트가 sse_starlette 형식으로 변환."""

    event: str          # 'token' | 'done' | 'safety' | 'error'
    data: dict[str, Any]


async def run_turn_stream(
    ctx: TurnContext,
    engine: EngineClient,
    *,
    log_hook: Optional[LogHook] = None,
) -> AsyncIterator[StreamEvent]:
    """스트리밍 턴 실행(4~8). 게이트웨이 SSE 를 받아 token/done/safety/error 로 재방출.

    출력 가드레일은 *누적 텍스트* 기준으로 수단정보를 감지(스트림 중 발견 시 safety 이벤트 +
    재생성 신호). 토큰 단위 완벽 차단은 후속(현재는 누적 스캔).
    로깅 훅은 done 직전 최종 텍스트로 1회 호출.
    """
    assert ctx.state_after is not None
    st = ctx.state_after

    req = StreamRequest(
        ai_role="client",
        tier="client",
        messages=ctx.messages,
        session_id=ctx.session_id,
        metadata={"stage": st.stage.value},
    )

    accumulated = ""
    flagged = False
    if ctx.crisis is not None and ctx.crisis.escalate:
        flagged = True
        yield StreamEvent("safety", {"reason": "learner_real_crisis", "level": ctx.crisis.risk_level})

    try:
        async for raw in engine.stream(req):
            # engine_client.stream 은 게이트웨이 SSE 의 *원시 라인*을 그대로 yield 한다.
            # 게이트웨이 프레이밍: "event: token\ndata: {\"text\": ...}" 형식.
            text_piece = _extract_sse_text(raw)
            if text_piece is None:
                continue
            accumulated += text_piece

            # 출력 가드레일(누적 스캔) — 수단정보 발견 시 차단·재생성 신호
            guard = guardrail.sanitize_client_reply(accumulated, ideation_stage=st.ideation_stage)
            if guard.needs_regeneration and not flagged:
                flagged = True
                yield StreamEvent("safety", {"reason": "means_info_blocked"})
                # 토큰은 더 내보내지 않고 안전 대체로 종결
                accumulated = "…(말을 잇지 못하고 잠시 침묵한다)"
                break

            yield StreamEvent("token", {"text": text_piece})

        # 8) 로깅 훅 — 최종 텍스트
        if log_hook is not None:
            try:
                await log_hook(ctx, accumulated)
            except Exception:
                pass

        yield StreamEvent(
            "done",
            {
                "session_id": ctx.session_id,
                "stage": st.stage.value,
                "effective_openness": round(st.effective_openness, 4),
                "turn_seq": st.turn_seq,
                "safety_flagged": flagged,
            },
        )
    except EngineError as e:
        yield StreamEvent("error", {"detail": str(e)})


def _extract_sse_text(raw_line: str) -> Optional[str]:
    """게이트웨이 SSE 원시 라인에서 텍스트 델타를 추출.

    게이트웨이 /v1/stream 은 'event: token' + 'data: {"text": "..."}' 를 보낸다.
    engine_client.stream 은 빈 줄을 필터링하고 비어있지 않은 라인만 흘리므로
    여기서 data: 라인의 JSON 만 해석한다. token 이외 이벤트(done/error)는 None.
    """
    import json as _json

    line = raw_line.strip()
    if not line.startswith("data:"):
        return None
    payload = line[len("data:"):].strip()
    if not payload or payload == "[DONE]":
        return None
    try:
        obj = _json.loads(payload)
    except _json.JSONDecodeError:
        return None
    if isinstance(obj, dict) and "text" in obj:
        return obj["text"]
    return None


__all__ = [
    "EvalHook",
    "LogHook",
    "TurnContext",
    "TurnResult",
    "StreamEvent",
    "prepare_turn",
    "run_turn_generate",
    "run_turn_stream",
]