# File: backend/app/services/chat_service.py (新建)
# Description: 封装 LangChain 聊天逻辑

from langchain_openai import ChatOpenAI
from langchain_google_genai import ChatGoogleGenerativeAI # 如果使用 Google
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.output_parsers import StrOutputParser
from langchain_core.messages import HumanMessage, AIMessage

# --- 可选：添加内存管理 ---
# 简单的内存实现 (可以替换为更复杂的 LangChain Memory 类)
chat_history = {} # 使用字典存储不同会话的内存，需要 session_id

class ChatService:
    """处理 AI 聊天交互的服务"""

    def __init__(self, api_key: str):
        """
        初始化 ChatService
        Args:
            api_key (str): 用于 LLM 的 API 密钥
        """
        # --- 选择并初始化 LLM ---
        # 使用 OpenAI GPT-3.5 Turbo (推荐) 或 GPT-4
        # self.llm = ChatOpenAI(model="gpt-3.5-turbo", api_key=api_key, temperature=0.7)
        # self.llm = ChatOpenAI(model="gpt-4", api_key=api_key, temperature=0.7)

        # --- 如果使用 Google Gemini ---
        self.llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash", google_api_key=api_key, convert_system_message_to_human=True)

        # --- 定义 Prompt 模板 ---
        # 包含系统消息、历史记录占位符和当前用户输入
        self.prompt = ChatPromptTemplate.from_messages([
            ("system", "你是一个乐于助人的 AI 助手，请用简洁明了的语言回答问题。你的名字叫 CherryAI。"),
            MessagesPlaceholder(variable_name="chat_history"), # 用于插入历史消息
            ("human", "{input}"), # 用户当前输入
        ])

        # --- 定义输出解析器 ---
        # 将 LLM 的输出解析为字符串
        self.output_parser = StrOutputParser()

        # --- 构建 LangChain Expression Language (LCEL) 链 ---
        self.chain = self.prompt | self.llm | self.output_parser

    async def get_ai_reply(self, user_message: str, session_id: str = "default_session") -> str:
        """
        获取 AI 对用户消息的回复 (异步)
        Args:
            user_message (str): 用户发送的消息
            session_id (str): (可选) 用于区分不同对话的会话 ID，以支持内存
        Returns:
            str: AI 的回复文本
        Raises:
            Exception: 如果调用 AI 服务时发生错误
        """
        try:
            # --- 获取当前会话的历史记录 (如果需要内存) ---
            current_chat_history = chat_history.get(session_id, [])

            # --- 使用 ainvoke 进行异步调用 ---
            ai_response = await self.chain.ainvoke({
                "input": user_message,
                "chat_history": current_chat_history, # 传入历史记录
            })

            # --- 更新会话历史记录 (如果需要内存) ---
            # 只保留最近 N 轮对话，防止历史过长
            max_history_length = 10 # 保留最近 5 轮对话 (10条消息)
            current_chat_history.append(HumanMessage(content=user_message))
            current_chat_history.append(AIMessage(content=ai_response))
            # 如果历史记录超过长度，移除最早的消息
            if len(current_chat_history) > max_history_length:
                chat_history[session_id] = current_chat_history[-max_history_length:]
            else:
                chat_history[session_id] = current_chat_history

            return ai_response

        except Exception as e:
            print(f"调用 LangChain 时出错: {e}")
            # 可以进行更细致的错误处理，例如区分 API 错误和内部错误
            raise Exception(f"AI 服务暂时不可用: {e}")


# --- 在文件末尾，创建 ChatService 的实例 ---
# 从配置中获取 API Key
from app.core.config import GOOGLE_API_KEY
if not GOOGLE_API_KEY:
    raise ValueError("请在 .env 文件中设置 GOOGLE_API_KEY")

chat_service_instance = ChatService(api_key=GOOGLE_API_KEY)