import logging
import re
from langchain_ollama.llms import OllamaLLM
from langchain_core.messages import HumanMessage
from .base_agent import BaseAgent

logger = logging.getLogger("AgenticAIPipeline")

class PlannerAgent(BaseAgent):
    def __init__(self):
        self.llm = OllamaLLM(
            model="qwen3:4b",
            system="Ты — научный эксперт и планировщик. Твоя задача — разбить тему на наиболее информативные и важные подпункты для доклада. Отвечай на русском."
        )

    def run(self, state: dict) -> dict:
        prompt = (
            f"Разбей тему '{state['topic']}' на 4-7 информативных и важных подпунктов (аспектов) для подробного доклада. "
            "Каждый подпункт должен быть самостоятельной подтемой (например: определение, области применения, примеры, риски, перспективы и т.п.). "
            "Выведи подпункты в виде простого нумерованного списка, без пояснений и примечаний. Пиши только на русском!"
        )
        msg = HumanMessage(content=prompt)
        out = self.llm.invoke([msg])
        subtopics = []
        for line in out.splitlines():
            m = re.match(r"\d+\s*[.)-]?\s*(.+)", line)
            if m:
                subtopics.append(m.group(1).strip())
        if not subtopics and out.strip():
            subtopics = [x.strip() for x in re.split(r"\n|\. ", out) if x.strip()]
        logger.info(f"LLM выделил следующие подпункты для раскрытия темы:\n" + "\n".join(f"{i+1}. {s}" for i, s in enumerate(subtopics)))
        state.update({"subtopics": subtopics})
        return state

import logging
import re
from langchain_ollama.llms import OllamaLLM
from langchain_core.messages import HumanMessage
from utils.text_cleaner import remove_think_blocks

logger = logging.getLogger("AgenticAIPipeline")

class ReportAgent:
    def __init__(self):
        self.llm = OllamaLLM(
            model="qwen3:1.7b",
            system="Ты — эксперт по искусственному интеллекту. Отвечай всегда только на русском языке."
        )

    def run(self, state: dict) -> dict:
        subtopic_blocks = "\n\n".join(
            f"### {item['subtopic']}\n{item['summary']}" for item in state["subtopic_summaries"]
        )
        prompt = (
            "Ты — эксперт по искусственному интеллекту. Пиши только на русском языке! "
            f"Вот summary по подпунктам темы '{state['topic']}':\n\n"
            f"{subtopic_blocks}\n\n"
            "На основе только этих summary напиши связный, подробный и структурированный доклад по теме (4-5 абзацев), переходя логично между подпунктами, делая выводы, давая примеры. "
            "Не добавляй ничего выдуманного. В самом конце дай список подпунктов как оглавление."
        )
        msg = HumanMessage(content=prompt)
        out = self.llm.invoke([msg])
        summary = out if isinstance(out, str) else getattr(out, "content", str(out))
        summary = remove_think_blocks(summary)
        logger.info("Финальный доклад сгенерирован.")
        state.update({"final_summary": summary})
        return state

import logging
from langchain_ollama.llms import OllamaLLM
from langchain_core.messages import HumanMessage

logger = logging.getLogger("AgenticAIPipeline")

class ReviewAgent:
    def __init__(self):
        self.llm = OllamaLLM(
            model="qwen3:4b",
            system="Ты — эксперт-оценщик качества summary. Оценивай строго, отвечай только 'ok' или 'more'."
        )

    def need_more_info(self, subtopic, summary) -> bool:
        prompt = (
            f"Вот краткое summary по теме '{subtopic}':\n\n"
            f"{summary}\n\n"
            "Оцени, достаточно ли это информативно для качественного доклада. "
            "Если информации мало, нет примеров, нет конкретики или фактов, то напиши 'Повторить сбор (more)'. "
            "Если summary достаточно информативно и покрывает все важные аспекты, напиши 'Достаточно (ok)'. "
            "Пиши только 'ok' или 'more'!"
        )
        logger.info(f"[ReviewAgent] Анализ summary для подпункта: '{subtopic}'\nТекст summary:\n{summary}\n")
        msg = HumanMessage(content=prompt)
        out = self.llm.invoke([msg])
        logger.info(f"[ReviewAgent] Ответ LLM-оценщика для подпункта '{subtopic}': {out}")
        return 'more' in out.lower()

import logging
from langchain_ollama.llms import OllamaLLM
from langchain_core.messages import HumanMessage
from langchain_community.utilities.duckduckgo_search import DuckDuckGoSearchAPIWrapper
from utils.article_parser import parse_article
from utils.text_cleaner import remove_think_blocks
from .review_agent import ReviewAgent

logger = logging.getLogger("AgenticAIPipeline")

class SummaryAgent:
    def __init__(self):
        self.llm = OllamaLLM(
            model="qwen3:1.7b",
            system="Ты — эксперт по искусственному интеллекту. Отвечай всегда только на русском языке, даже если вопрос или информация на другом языке."
        )
        self.search_tool = DuckDuckGoSearchAPIWrapper()
        self.reviewer = ReviewAgent()

    def run(self, state: dict) -> dict:
        subtopic_summaries = []
        for subtopic in state["subtopics"]:
            logger.info(f"Обработка подпункта: '{subtopic}'")
            n_articles = 5
            max_attempts = 2  # можно больше
            for attempt in range(max_attempts):
                try:
                    search_results = self.search_tool.results(f"{state['topic']} {subtopic}", n_articles)
                except Exception as e:
                    logger.error(f"Ошибка поиска для подпункта '{subtopic}': {e}")
                    break
                articles = []
                for art in search_results:
                    text = parse_article(art["link"], art["title"])
                    if text:
                        articles.append({"url": art["link"], "title": art["title"], "text": text})
                if not articles:
                    logger.warning(f"Не удалось найти статьи для подпункта '{subtopic}'. Пропускаем.")
                    break
                collected_texts = "\n\n".join(f"{a['title']}:\n{a['text'][:1000]}" for a in articles)[:5000]
                prompt = (
                    f"Сделай подробное summary по подпункту '{subtopic}' в контексте темы '{state['topic']}'. "
                    f"Используй только факты из текстов ниже, не добавляй ничего выдуманного. "
                    f"Пиши на русском, 1-2 абзаца, с примерами, если они есть.\n\n"
                    f"{collected_texts}"
                )
                msg = HumanMessage(content=prompt)
                summary = self.llm.invoke([msg])
                summary = summary if isinstance(summary, str) else getattr(summary, "content", str(summary))
                summary = remove_think_blocks(summary)
                # --- Вызов review-агента ---
                need_more = self.reviewer.need_more_info(subtopic, summary)
                if not need_more or attempt == max_attempts - 1:
                    subtopic_summaries.append({"subtopic": subtopic, "summary": summary})
                    logger.info(f"Summary для подпункта '{subtopic}' сгенерировано (попытка {attempt+1}, статей: {n_articles}).")
                    break
                else:
                    logger.info(f"Агент-оценщик считает информацию недостаточной — повторяем сбор с большим количеством статей.")
                    n_articles = 10  # или увеличивай прогрессивно
        state.update({"subtopic_summaries": subtopic_summaries})
        return state