import OpenAI from 'openai'
import { searchKnowledge } from './rag.service'

const apiKey = process.env.DASHSCOPE_API_KEY || ''
const baseURL = 'https://dashscope.aliyuncs.com/compatible-mode/v1'

const client = new OpenAI({ apiKey, baseURL, timeout: 30 * 1000, maxRetries: 1 })

const SYSTEM_PROMPT = `你是一个专业的劳动用工合规顾问，精通中国劳动法、劳动合同法、社会保险法等相关法律法规。

你的职责：
1. 回答用户关于劳动用工的合规问题
2. 基于企业实际数据给出针对性建议
3. 引用具体法律条文作为依据
4. 用通俗易懂的语言解释法律问题

回答要求：
- 先给出直接结论，再展开解释
- 引用法律条文时标注具体法律名称和条款号
- 涉及金额时给出计算过程
- 如有关联的企业数据，在回答中提及
- 回答简洁有力，避免冗长`

export async function chat(messages: { role: 'user' | 'assistant'; content: string }[], orgContext?: string) {
  const lastUserMsg = messages.filter(m => m.role === 'user').pop()
  let ragContext = ''
  if (lastUserMsg) {
    try {
      const knowledge = await searchKnowledge(lastUserMsg.content, 3)
      if (knowledge.length > 0) {
        ragContext = `\n\n相关法律条文（RAG检索结果）：\n${knowledge.join('\n\n')}`
      }
    } catch { /* RAG not available, continue without */ }
  }

  const systemMessage = orgContext
    ? `${SYSTEM_PROMPT}\n\n当前企业数据概览：\n${orgContext}${ragContext}`
    : `${SYSTEM_PROMPT}${ragContext}`

  const response = await client.chat.completions.create({
    model: 'qwen-plus',
    messages: [
      { role: 'system', content: systemMessage },
      ...messages,
    ],
    temperature: 0.7,
    max_tokens: 2000,
  })

  return response.choices[0]?.message?.content || ''
}

export async function* chatStream(messages: { role: 'user' | 'assistant'; content: string }[], orgContext?: string) {
  const lastUserMsg = messages.filter(m => m.role === 'user').pop()
  let ragContext = ''
  if (lastUserMsg) {
    try {
      const knowledge = await searchKnowledge(lastUserMsg.content, 3)
      if (knowledge.length > 0) {
        ragContext = `\n\n相关法律条文（RAG检索结果）：\n${knowledge.join('\n\n')}`
      }
    } catch { /* RAG not available, continue without */ }
  }

  const systemMessage = orgContext
    ? `${SYSTEM_PROMPT}\n\n当前企业数据概览：\n${orgContext}${ragContext}`
    : `${SYSTEM_PROMPT}${ragContext}`

  const stream = await client.chat.completions.create({
    model: 'qwen-plus',
    messages: [
      { role: 'system', content: systemMessage },
      ...messages,
    ],
    temperature: 0.7,
    max_tokens: 2000,
    stream: true,
  })

  for await (const chunk of stream) {
    const delta = chunk.choices[0]?.delta?.content
    if (delta) yield delta
  }
}

export async function reviewContract(contractText: string): Promise<{ text: string; structured: { riskItems: { level: string; title: string; description: string; suggestion: string }[]; score: number; summary: string } }> {
  const prompt = `请审查以下劳动合同文本的合法性和合规性，逐条检查并标注风险等级（红/黄/绿），对每个风险点必须给出：
1. 问题说明：具体哪一条款存在什么问题
2. 法律依据：引用《劳动合同法》具体条款
3. 具体修改建议：给出可以直接替换的修改后条款文本

最后给出合规评分（0-100分）。

合同文本：
${contractText}

请严格按以下格式输出：
【风险项】
🔴/🟡/🟢 [问题标题] - [问题说明+法律依据] - [具体修改建议：应将xxx修改为yyy]

【合规评分】XX/100

【总体建议】
一段话总结，指出最需要优先修改的3个问题`

  const response = await client.chat.completions.create({
    model: 'qwen-max',
    messages: [
      { role: 'system', content: '你是劳动法合同审查专家，精通劳动合同法。对每个风险点必须给出法律依据和可直接替换的具体修改建议文本。' },
      { role: 'user', content: prompt },
    ],
    temperature: 0.3,
    max_tokens: 4000,
  })

  const text = response.choices[0]?.message?.content || ''

  // 解析结构化数据
  const riskItems: { level: string; title: string; description: string; suggestion: string }[] = []
  const riskRegex = /(🔴|🟡|🟢)\s*\[([^\]]+)\]\s*-\s*\[([^\]]+)\]\s*-\s*\[([^\]]+)\]/g
  let match
  while ((match = riskRegex.exec(text)) !== null) {
    riskItems.push({
      level: match[1] === '🔴' ? 'RED' : match[1] === '🟡' ? 'YELLOW' : 'GREEN',
      title: match[2],
      description: match[3],
      suggestion: match[4],
    })
  }

  const scoreMatch = text.match(/【合规评分】\s*(\d+)\s*\/\s*100/)
  const score = scoreMatch ? parseInt(scoreMatch[1]) : 0

  const summaryMatch = text.match(/【总体建议】\s*([\s\S]*?)(?:$|$)/)
  const summary = summaryMatch ? summaryMatch[1].trim() : ''

  return { text, structured: { riskItems, score, summary } }
}

export async function matchCase(scenario: string) {
  const prompt = `作为一个劳动法案例匹配专家，请分析以下劳动争议情形，匹配相似的仲裁/诉讼案例，评估败诉风险。

争议情形：
${scenario}

请按以下格式输出：
【相似案例】
案例1：[案例标题]
- 情形：[简要描述]
- 结果：[判决结果]
- 赔偿金额：[金额]
- 相似度：XX%

案例2：...

【败诉风险评估】
风险等级：高/中/低（XX%）
原因：[分析]

【建议】
[降低风险的具体建议]`

  const response = await client.chat.completions.create({
    model: 'qwen-max',
    messages: [
      { role: 'system', content: '你是劳动法案例分析专家，熟悉劳动仲裁和诉讼案例。' },
      { role: 'user', content: prompt },
    ],
    temperature: 0.3,
    max_tokens: 3000,
  })

  return response.choices[0]?.message?.content || ''
}

export async function predictRisks(orgContext: string) {
  const prompt = `基于以下企业用工数据，预测未来30天可能出现的合规风险，并给出优先级建议。

企业数据：
${orgContext}

请按以下格式输出：
【未来30天预计风险】
- [员工姓名/风险描述] → [建议措施]

【优先级建议】
[先处理什么，再处理什么]`

  const response = await client.chat.completions.create({
    model: 'qwen-plus',
    messages: [
      { role: 'system', content: '你是劳动用工风险预测专家，能基于企业数据分析未来风险趋势。' },
      { role: 'user', content: prompt },
    ],
    temperature: 0.5,
    max_tokens: 1500,
  })

  return response.choices[0]?.message?.content || ''
}

export async function* predictRisksStream(orgContext: string) {
  const prompt = `基于以下企业用工数据，预测未来30天可能出现的合规风险，并给出优先级建议。

请使用 Markdown 格式输出，包含以下部分：

## 未来30天预计风险

用表格列出每个风险项：

| 优先级 | 员工/范围 | 风险描述 | 法律依据 | 建议措施 | 截止日期 |
|--------|-----------|----------|----------|----------|----------|

## 优先级建议

按紧急程度排序，说明先处理什么、再处理什么。

## 合规建议总结

简要总结企业当前用工合规状况和改进方向。

企业数据：
${orgContext}`

  const stream = await client.chat.completions.create({
    model: 'qwen-plus',
    messages: [
      { role: 'system', content: '你是劳动用工风险预测专家，能基于企业数据分析未来风险趋势。请使用 Markdown 格式输出，善用表格、加粗、列表等格式。' },
      { role: 'user', content: prompt },
    ],
    temperature: 0.5,
    max_tokens: 8000,
    stream: true,
  })

  for await (const chunk of stream) {
    const delta = chunk.choices[0]?.delta?.content
    if (delta) yield delta
  }
}

/** 12 类争议场景中文映射 */
const SCENARIO_LABELS: Record<string, string> = {
  discipline: '违纪解除',
  incompetence: '不胜任解除',
  probation: '试用期解除',
  layoff: '经济性裁员',
  expiry: '合同到期不续签',
  negotiated: '协商解除',
  transfer: '调岗调薪争议',
  overtime: '加班费争议',
  injury: '工伤待遇争议',
  noncompete: '竞业限制争议',
  confidentiality: '保密协议争议',
  social_insurance: '社保公积金争议',
}

/**
 * 结构化判赔预测流式输出
 * @param scenarioType 争议场景类型
 * @param keyFacts HR 填写的关键事实
 * @param orgContext 企业上下文（员工信息等）
 */
export async function* predictStructuredStream(
  scenarioType: string,
  keyFacts: {
    employeeName?: string
    violationFact?: string
    region?: string
    monthlySalary?: string
    democracyStatus?: string
    disciplinaryRecord?: string
    extraInfo?: string
  },
  orgContext: string,
) {
  const scenarioLabel = SCENARIO_LABELS[scenarioType] || scenarioType

  const factsText = [
    keyFacts.employeeName ? `- 涉及员工：${keyFacts.employeeName}` : '',
    keyFacts.violationFact ? `- 违纪/争议事实：${keyFacts.violationFact}` : '',
    keyFacts.region ? `- 所在地区：${keyFacts.region}` : '',
    keyFacts.monthlySalary ? `- 员工月薪：${keyFacts.monthlySalary} 元` : '',
    keyFacts.democracyStatus ? `- 制度民主公示状态：${keyFacts.democracyStatus}` : '',
    keyFacts.disciplinaryRecord ? `- 违纪记录留痕情况：${keyFacts.disciplinaryRecord}` : '',
    keyFacts.extraInfo ? `- 补充信息：${keyFacts.extraInfo}` : '',
  ].filter(Boolean).join('\n')

  const prompt = `你是一位资深劳动法律师，请基于以下争议场景和企业数据，进行专业的判赔风险分析。

## 争议场景
${scenarioLabel}

## 关键事实（由 HR 提供）
${factsText}

## 企业数据
${orgContext}

请使用 Markdown 格式输出，包含以下部分：

## 风险分析

分析企业在当前场景下的主要法律风险点，引用具体法律条文。

## 预估赔偿范围

根据员工月薪、工龄、地区裁判口径，给出经济补偿/赔偿金的预估范围（注意：此为参考值，实际以仲裁裁决为准）：

| 项目 | 金额范围（元） | 计算依据 |
|------|--------------|----------|

## 建议方案

给出 2-3 个可行方案，按推荐度排序：

### 方案一（推荐）
- **操作步骤**：...
- **预估成本**：...
- **风险等级**：低/中/高
- **法律依据**：...

### 方案二
- **操作步骤**：...
- **预估成本**：...
- **风险等级**：低/中/高
- **法律依据**：...

## 关键注意事项

列出操作中必须注意的法律细节和证据要求。

> ⚠️ 以上分析基于当前提供的信息，仅供参考。实际仲裁结果受具体事实、证据、地区裁判口径等因素影响，建议在操作前咨询专业律师。`

  const stream = await client.chat.completions.create({
    model: 'qwen-plus',
    messages: [
      {
        role: 'system',
        content: '你是劳动用工法律风险评估专家，精通中国劳动法、劳动合同法及相关司法解释。请基于企业提供的事实和数据，给出专业、客观的风险分析和方案建议。请使用 Markdown 格式输出，善用表格、加粗、列表等格式。所有金额预估必须注明"仅供参考"。',
      },
      { role: 'user', content: prompt },
    ],
    temperature: 0.5,
    max_tokens: 8000,
    stream: true,
  })

  for await (const chunk of stream) {
    const delta = chunk.choices[0]?.delta?.content
    if (delta) yield delta
  }
}

/**
 * AI 人力分析报告：基于企业数据自动生成结构化报告
 */
export async function* generateHRReportStream(orgData: string) {
  const prompt = `请基于以下企业人力数据，生成一份结构化的 HR 人力分析报告。请使用 Markdown 格式输出，包含以下部分：

## 一、人力概况
- 员工总数、部门分布、性别比例、年龄段分布、学历分布、司龄分布

## 二、风险提示
- 当前存在的用工风险（合同到期、试用期、特殊状态员工等）
- 风险等级和紧急程度

## 三、成本分析
- 人力成本概况（工资、社保、公积金等）
- 人均成本、部门成本差异
- 成本趋势分析

## 四、合规建议
- 合同管理建议
- 社保公积金合规建议
- 规章制度完善建议

## 五、改进方向
- 人才结构优化建议
- 成本控制建议
- 管理流程改进建议

报告要求：
- 数据驱动的分析，引用具体数字
- 每个部分给出 2-3 条具体可操作的建议
- 语言简洁专业，避免空话套话

企业数据：
${orgData}`

  const stream = await client.chat.completions.create({
    model: 'qwen-plus',
    messages: [
      {
        role: 'system',
        content: '你是一个专业的人力资源分析师，精通中国劳动法规和人力资源管理。请基于企业实际数据生成专业、客观、可操作的人力分析报告。使用 Markdown 格式输出。',
      },
      { role: 'user', content: prompt },
    ],
    temperature: 0.5,
    max_tokens: 8000,
    stream: true,
  })

  for await (const chunk of stream) {
    const delta = chunk.choices[0]?.delta?.content
    if (delta) yield delta
  }
}