"""
LLM 服务模块
封装对 OpenAI 兼容 API 的调用，包含文案生成、热点分析、评论回复等 Prompt
"""
import requests
import json
import re
import logging

logger = logging.getLogger(__name__)

# ================= Prompt 模板 =================

PROMPT_COPYWRITING = """
你是一个小红书爆款内容专家。请根据用户主题生成内容。

【标题规则】(严格执行)：
1. 长度限制：必须控制在 18 字以内（含Emoji），绝对不能超过 20 字！
2. 格式要求：Emoji + 爆点关键词 + 核心痛点。
3. 禁忌：禁止使用"第一"、"最"、"顶级"等绝对化广告法违禁词。
4. 风格：二极管标题（震惊/后悔/必看/避雷/哭了），具有强烈的点击欲望。

【正文规则】：
1. 口语化，多用Emoji，分段清晰，不堆砌长句。
2. 正文控制在 600 字以内（小红书限制 1000 字）。
3. 结尾必须有 5 个以上相关话题标签(#)。

【绘图 Prompt】：
生成对应的 Stable Diffusion 英文提示词，强调：masterpiece, best quality, 8k, soft lighting, ins style。

返回 JSON 格式：
{"title": "...", "content": "...", "sd_prompt": "...", "tags": ["标签1", "标签2", ...]}
"""

PROMPT_HOTSPOT_ANALYSIS = """
你是一个小红书运营数据分析专家。下面是搜索到的热门笔记信息：

{feed_data}

请分析这些热门笔记，总结以下内容：
1. **热门选题方向**：提炼 3-5 个最火的细分选题
2. **标题套路**：总结高赞标题的共同特征和写作模板
3. **内容结构**：分析爆款笔记的内容组织方式
4. **推荐模仿方案**：基于分析结果，给出 3 个具体的模仿选题建议

返回 JSON 格式：
{{"hot_topics": ["...", "..."], "title_patterns": ["...", "..."], "content_structure": "...", "suggestions": [{{"topic": "...", "reason": "..."}}]}}
"""

PROMPT_COMMENT_REPLY = """
你是一个小红书博主，人设为：{persona}。
有人在你的笔记下评论了，请你用符合人设的口吻回复。

【规则】：
1. 回复简洁，控制在 50 字以内
2. 语气亲切自然，像和朋友聊天
3. 适当加入 1-2 个 Emoji
4. 如果是质疑，礼貌回应；如果是夸奖，真诚感谢

笔记标题：{post_title}
用户评论：{comment}

直接返回回复内容，不需要 JSON 格式。
"""

PROMPT_PROACTIVE_COMMENT = """
你是一个小红书活跃用户，人设为：{persona}。
你正在浏览一篇笔记，想要留下一条真诚、有价值的评论，以提升互动和曝光。

【笔记信息】：
标题：{post_title}
正文摘要：{post_content}

【已有评论参考（可能为空）】：
{existing_comments}

【评论规则】：
1. 评论简洁自然，控制在 30-80 字，不要像机器人
2. 体现你对笔记内容的真实感受或个人经验
3. 可以提问、分享类似经历、或表达共鸣
4. 适当加入 1-2 个 Emoji，不要过多
5. 不要重复已有评论的观点，找新角度
6. 不要生硬带货或自我推广
7. 语气因内容而异：教程类→请教/补充；种草类→分享体验；生活类→表达共鸣

直接返回评论内容，不需要 JSON 格式。
"""

PROMPT_COPY_WITH_REFERENCE = """
你是一个小红书爆款内容专家。参考以下热门笔记的风格和结构，创作全新原创内容。

【参考笔记】：
{reference_notes}

【创作主题】：{topic}
【风格要求】：{style}

【标题规则】：
1. 长度限制：必须控制在 18 字以内（含Emoji），绝对不能超过 20 字！
2. 借鉴参考笔记的标题套路但内容必须原创。

【正文规则】：
1. 口语化，多用Emoji，分段清晰。
2. 正文控制在 600 字以内。
3. 结尾有 5 个以上话题标签(#)。

【绘图 Prompt】：
生成 Stable Diffusion 英文提示词。

返回 JSON 格式：
{{"title": "...", "content": "...", "sd_prompt": "...", "tags": ["标签1", "标签2", ...]}}
"""


class LLMService:
    """LLM API 服务封装"""

    def __init__(self, api_key: str, base_url: str, model: str = "gpt-3.5-turbo"):
        self.api_key = api_key
        self.base_url = base_url.rstrip("/")
        self.model = model

    def _chat(self, system_prompt: str, user_message: str,
              json_mode: bool = True, temperature: float = 0.8) -> str:
        """底层聊天接口"""
        headers = {
            "Authorization": f"Bearer {self.api_key}",
            "Content-Type": "application/json",
        }
        payload = {
            "model": self.model,
            "messages": [
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": user_message},
            ],
            "temperature": temperature,
        }
        if json_mode:
            payload["response_format"] = {"type": "json_object"}

        try:
            resp = requests.post(
                f"{self.base_url}/chat/completions",
                headers=headers, json=payload, timeout=90
            )
            resp.raise_for_status()
            content = resp.json()["choices"][0]["message"]["content"]
            return content
        except requests.exceptions.Timeout:
            raise TimeoutError("LLM 请求超时，请检查网络或换一个模型")
        except requests.exceptions.HTTPError as e:
            raise ConnectionError(f"LLM API 错误 ({resp.status_code}): {resp.text[:200]}")
        except Exception as e:
            raise RuntimeError(f"LLM 调用异常: {e}")

    def _parse_json(self, text: str) -> dict:
        """从 LLM 返回文本中解析 JSON"""
        cleaned = re.sub(r"```json\s*|```", "", text).strip()
        return json.loads(cleaned)

    # ---------- 业务方法 ----------

    def get_models(self) -> list[str]:
        """获取可用模型列表"""
        url = f"{self.base_url}/models"
        headers = {"Authorization": f"Bearer {self.api_key}"}
        resp = requests.get(url, headers=headers, timeout=10)
        resp.raise_for_status()
        data = resp.json()
        return [item["id"] for item in data.get("data", [])]

    def generate_copy(self, topic: str, style: str) -> dict:
        """生成小红书文案"""
        content = self._chat(
            PROMPT_COPYWRITING,
            f"主题：{topic}\n风格：{style}"
        )
        data = self._parse_json(content)

        # 强制标题长度限制
        title = data.get("title", "")
        if len(title) > 20:
            title = title[:20]
            data["title"] = title

        return data

    def generate_copy_with_reference(self, topic: str, style: str,
                                     reference_notes: str) -> dict:
        """参考热门笔记生成文案"""
        prompt = PROMPT_COPY_WITH_REFERENCE.format(
            reference_notes=reference_notes, topic=topic, style=style
        )
        content = self._chat(prompt, f"请创作关于「{topic}」的小红书笔记")
        data = self._parse_json(content)

        title = data.get("title", "")
        if len(title) > 20:
            data["title"] = title[:20]
        return data

    def analyze_hotspots(self, feed_data: str) -> dict:
        """分析热门内容趋势"""
        prompt = PROMPT_HOTSPOT_ANALYSIS.format(feed_data=feed_data)
        content = self._chat(prompt, "请分析以上热门笔记数据")
        return self._parse_json(content)

    def generate_reply(self, persona: str, post_title: str, comment: str) -> str:
        """AI 生成评论回复"""
        prompt = PROMPT_COMMENT_REPLY.format(
            persona=persona, post_title=post_title, comment=comment
        )
        return self._chat(prompt, "请生成回复", json_mode=False, temperature=0.9).strip()

    def generate_proactive_comment(self, persona: str, post_title: str,
                                   post_content: str, existing_comments: str = "") -> str:
        """AI 生成主动评论"""
        prompt = PROMPT_PROACTIVE_COMMENT.format(
            persona=persona, post_title=post_title,
            post_content=post_content,
            existing_comments=existing_comments or "暂无评论",
        )
        return self._chat(prompt, "请生成评论", json_mode=False, temperature=0.9).strip()