"""
基础 Agent 模块

提供所有 Agent 的基类，内置：
- 防提示词注入检测
- 模型调用耗时日志
- 图片/非文本内容过滤（防止 token 爆炸和模型不支持报错）
"""

import time
import logging

from google.adk.agents import LlmAgent
from google.adk.models.llm_response import LlmResponse
from google.genai import types

from common.logger import after_model_callback
from common.prompt_guard import check_prompt_injection

logger = logging.getLogger("adk.agent")


# ============================================================
# 工具函数：判断一个 Part 是否为非文本内容（图片、视频、音频等）
# ============================================================
def _is_non_text_part(part) -> bool:
    """判断一个 Part 是否包含非文本内容（图片、视频、音频、文件等）"""
    # inline_data: base64 编码的内联数据（图片、PDF 等）
    if getattr(part, "inline_data", None) and getattr(part.inline_data, "data", None):
        mime = getattr(part.inline_data, "mime_type", "") or ""
        # text/* 类型不算非文本（如 inline text/csv）
        if not mime.startswith("text/"):
            return True
    # file_data: 文件引用（GCS URI、文件 URI 等）
    if getattr(part, "file_data", None) and getattr(part.file_data, "file_uri", None):
        mime = getattr(part.file_data, "mime_type", "") or ""
        if not mime.startswith("text/"):
            return True
    return False


def _filter_non_text_parts(parts) -> list:
    """过滤掉非文本 part，只保留文本 part"""
    return [p for p in parts if not _is_non_text_part(p)]


def _has_non_text_in_parts(parts) -> bool:
    """检查 parts 列表中是否包含非文本内容"""
    return any(_is_non_text_part(p) for p in parts)


# ============================================================
# 防注入 + 图片过滤的 before_model_callback
# ============================================================
async def _before_model_callback(callback_context, llm_request):
    """在模型调用前：
    1. 过滤历史消息中的非文本内容（防止图片累积导致 token 爆炸）
    2. 检测当前消息是否包含图片（不支持则直接回复提示）
    3. 防提示词注入检测
    4. 记录开始时间
    """
    contents = getattr(llm_request, "contents", None) or []

    # ── 1. 找到当前（最后一条）用户消息 ──
    last_user_content = None
    last_user_index = -1
    for i, content in enumerate(contents):
        if getattr(content, "role", None) == "user":
            last_user_content = content
            last_user_index = i

    # ── 2. 如果当前消息包含非文本内容，直接返回提示 ──
    if last_user_content:
        parts = getattr(last_user_content, "parts", None) or []
        if _has_non_text_in_parts(parts):
            # 提取文本部分作为上下文（如果有的话）
            text_parts = _filter_non_text_parts(parts)
            text_context = "".join(
                getattr(p, "text", "") or "" for p in text_parts
            ).strip()

            if text_context:
                reply = (
                    f"我注意到你发送的内容中包含图片或文件，但目前我不支持处理图片输入。\n\n"
                    f"不过我看到了你附带的文字内容，你可以直接用文字描述你想说的，我会帮你处理：\n\n"
                    f"> {text_context[:500]}"
                )
            else:
                reply = "抱歉，目前我不支持处理图片或文件输入。请用文字描述你的问题，我会尽力帮助你。"

            logger.info(
                "拦截非文本消息 | agent=%s has_text=%s",
                callback_context.agent_name,
                bool(text_context),
            )
            return LlmResponse(
                content=types.Content(
                    role="model",
                    parts=[types.Part(text=reply)],
                ),
                turn_complete=True,
            )

    # ── 3. 过滤历史消息中的非文本 part（防止累积） ──
    filtered = False
    for content in contents:
        parts = getattr(content, "parts", None) or []
        if len(parts) > 1:
            new_parts = _filter_non_text_parts(parts)
            if len(new_parts) != len(parts):
                content.parts = new_parts
                filtered = True

    if filtered:
        logger.info(
            "已过滤历史消息中的非文本内容 | agent=%s",
            callback_context.agent_name,
        )

    # ── 4. 防提示词注入检测（基于过滤后的内容） ──
    if last_user_content:
        text = ""
        parts = getattr(last_user_content, "parts", None) or []
        for part in parts:
            part_text = getattr(part, "text", None)
            if part_text:
                text += part_text

        injection = check_prompt_injection(text)
        if injection:
            logger.warning(
                "检测到提示词注入 | agent=%s pattern='%s'",
                callback_context.agent_name,
                injection,
            )
            return LlmResponse(
                content=types.Content(
                    role="model",
                    parts=[types.Part(text="抱歉，我无法处理该请求。")],
                ),
                turn_complete=True,
            )

    # ── 5. 记录开始时间 ──
    callback_context.state["_log_model_call_start_time"] = time.perf_counter()
    return None


# ============================================================
# HuiYuBaseAgent 基类
# ============================================================
class HuiYuBaseAgent(LlmAgent):
    """
    所有 Agent 的基类，自动集成：
    - 防提示词注入检测
    - 模型调用耗时日志
    - 图片/非文本内容过滤

    用法：
        agent = HuiYuBaseAgent(
            name="my_agent",
            model=model,
            instruction="...",
        )

    如果需要自定义回调，仍然可以传入 before_model_callback / after_model_callback，
    它们会在防注入检测和日志记录之间执行。
    """

    def __init__(self, **kwargs):
        # 获取用户传入的回调
        user_before = kwargs.pop("before_model_callback", None)
        user_after = kwargs.pop("after_model_callback", None)

        # 构建回调链：防注入+图片过滤 → 用户回调 → 日志
        before_chain = [_before_model_callback]
        if user_before:
            before_chain.append(user_before)

        after_chain = []
        if user_after:
            after_chain.append(user_after)
        after_chain.append(after_model_callback)

        kwargs["before_model_callback"] = before_chain
        kwargs["after_model_callback"] = after_chain

        # 强制模型用中文思考：在 instruction 前附加系统级要求
        instruction = kwargs.get("instruction", "")
        if instruction:
            kwargs["instruction"] = (
                "【系统要求：你的所有思考过程、分析推理、内心独白必须使用中文，"
                "禁止在思考中使用英文。你的最终回复也使用中文。】\n\n"
                + instruction
            )

        super().__init__(**kwargs)