"""
AI 전문가 회의 시스템 (Multi-Agent Council)
- 4명의 전문가 에이전트가 독립 분석 후 의장 AI가 최종 결정
- 코스피 레짐 기반 모델 교체 권고
- process.py 분석 결과를 입력받아 심층 검토 수행

흐름:
  전문가 1~4 (각 역할별 Ollama 호출)
        ↓
  의장 AI (전문가 의견 취합 + 최종 결정 + 모델 건전성 평가)
        ↓
  CouncilDecision (결정 + 모델 교체 권고 + 회의록)
"""

import json
import time
from dataclasses import dataclass, field
from typing import Optional, List, Any

from modules.analysis.market_regime import MarketRegimeDetector, MarketRegime, RegimeAnalysis


@dataclass
class ExpertOpinion:
    """개별 전문가 의견"""
    expert_name: str
    role: str
    decision: str           # BUY / SELL / HOLD
    confidence: float       # 0~1
    reasoning: str
    key_concern: str
    model_feedback: str     # 현재 AI 모델 적합성 평가


@dataclass
class CouncilDecision:
    """회의 최종 결정"""
    final_decision: str                     # BUY / SELL / HOLD
    consensus_score: float                  # 0~1 (1 = 만장일치)
    confidence: float                       # 0~1
    majority_reasoning: str                 # 주요 결정 근거
    dissenting_views: str                   # 소수 의견
    model_health_score: float               # 0~1 (현재 모델 신뢰도)
    model_replacement_recommended: bool     # 모델 교체 필요 여부
    recommended_model: str                  # 교체 권고 모델명
    council_summary: str                    # 회의 전체 요약
    expert_opinions: List[dict] = field(default_factory=list)


# 전문가 페르소나 정의
_EXPERTS = [
    {
        "name": "기술분석가",
        "role": "technical",
        "persona": (
            "20년 경력의 코스피 전문 기술분석가. "
            "RSI, MACD, 볼린저밴드, 추세선, 거래량 분석을 주로 사용. "
            "단기 가격 모멘텀과 지지/저항 구간을 중시함."
        ),
        "focus": (
            "RSI 과매수/과매도, 볼린저밴드 위치, ADX 추세 강도, "
            "거래량 급증, 멀티타임프레임 정렬 여부를 핵심 근거로 사용하세요."
        ),
    },
    {
        "name": "퀀트전문가",
        "role": "quant",
        "persona": (
            "AI/ML 기반 퀀트 투자 전문가. "
            "LSTM 예측 신뢰도, 통계적 유의성, 백테스트 성과를 중시. "
            "모델의 현재 시장 환경 적합성을 항상 평가함."
        ),
        "focus": (
            "LSTM 신뢰도와 예측 방향을 중심으로 분석하세요. "
            "현재 코스피 레짐에서 LSTM v3 모델이 적합한지 반드시 평가하고, "
            "더 나은 대안 모델이 있으면 구체적으로 제안하세요."
        ),
    },
    {
        "name": "리스크관리자",
        "role": "risk",
        "persona": (
            "글로벌 헤지펀드 리스크 관리 전문가. "
            "포지션 사이징, 최대 낙폭(MDD), VaR, 손절 기준을 최우선으로 고려. "
            "수익보다 손실 방어를 먼저 생각함."
        ),
        "focus": (
            "변동성 대비 포지션 크기 적절성, 손절 기준 타당성, "
            "현재 보유 중이라면 추가 하락 리스크를 집중 평가하세요."
        ),
    },
    {
        "name": "거시경제분석가",
        "role": "macro",
        "persona": (
            "글로벌 매크로 및 한국 증시 전문가. "
            "코스피 지수 수준, 원/달러 환율, 미국 금리, 외국인 수급을 중시. "
            "현재 시장이 역사적으로 어떤 위치인지 판단함."
        ),
        "focus": (
            "코스피 지수 현재 수준이 역사적으로 어떤 의미인지, "
            "이 가격대에서 매수/보유가 타당한지 거시경제 관점에서 평가하세요."
        ),
    },
]


def _build_expert_prompt(expert: dict, ticker: str, data: dict) -> str:
    """전문가 역할에 맞는 분석 프롬프트 생성"""
    kospi = data.get("kospi_price", 2500)
    regime_label = MarketRegimeDetector.get_regime_label(kospi)

    base = (
        f"종목: {ticker} | 현재가: {data.get('current_price', 0):,.0f}원\n"
        f"코스피: {kospi:.0f} [{regime_label}]\n"
        f"시장상태: {data.get('macro_state', 'SAFE')}\n"
        f"---기술지표---\n"
        f"기술점수: {data.get('tech_score', 0.5):.3f} | "
        f"RSI: {data.get('rsi', 50):.1f} | ADX: {data.get('adx', 20):.1f}\n"
        f"변동성: {data.get('volatility', 2.0):.2f}% | BB위치: {data.get('bb_zone', '중간')}\n"
        f"MTF정렬: {data.get('mtf_alignment', 'N/A')}\n"
        f"---AI모델---\n"
        f"LSTM예측: {data.get('lstm_predicted', 0):,.0f}원 "
        f"(변화율: {data.get('lstm_change_rate', 0):+.2f}%)\n"
        f"LSTM신뢰도: {data.get('ai_confidence', 0.5):.2f} | "
        f"LSTM점수: {data.get('lstm_score', 0.5):.3f}\n"
        f"---수급/감성---\n"
        f"감성점수: {data.get('sentiment_score', 0.5):.3f} | "
        f"수급점수: {data.get('investor_score', 0):.3f}\n"
        f"외인순매수: {data.get('frgn_net_buy', 0):+,} "
        f"({data.get('consecutive_frgn_buy', 0)}일 연속)\n"
        f"---포지션---\n"
        f"보유중: {data.get('is_holding', False)} | "
        f"보유수익률: {data.get('holding_yield', 0):+.2f}%\n"
        f"통합점수: {data.get('total_score', 0.5):.3f}\n"
    )

    role_addition = (
        f"\n당신은 {expert['persona']}\n"
        f"분석 초점: {expert['focus']}\n"
    )

    output_format = (
        "\n반드시 아래 JSON 형식으로만 응답하세요 (다른 텍스트 금지):\n"
        "{\n"
        '  "decision": "BUY" 또는 "SELL" 또는 "HOLD",\n'
        '  "confidence": 0.0~1.0,\n'
        '  "reasoning": "주요 판단 근거 (1~2문장, 한국어)",\n'
        '  "key_concern": "가장 우려되는 리스크 (1문장, 한국어)",\n'
        '  "model_feedback": "현재 LSTM v3 모델이 이 시장 환경에서 적합한지 평가 (1문장)"\n'
        "}"
    )

    return base + role_addition + output_format


def _build_chairman_prompt(
    ticker: str,
    opinions: List[ExpertOpinion],
    data: dict,
    regime: RegimeAnalysis,
) -> str:
    """의장 AI 최종 결정 프롬프트"""
    opinions_text = "\n".join([
        f"[{op.expert_name}] {op.decision} (확신도: {op.confidence:.2f})\n"
        f"  근거: {op.reasoning}\n"
        f"  우려: {op.key_concern}\n"
        f"  모델평가: {op.model_feedback}"
        for op in opinions
    ])

    votes = [op.decision for op in opinions]
    buy_n  = votes.count("BUY")
    sell_n = votes.count("SELL")
    hold_n = votes.count("HOLD")
    avg_conf = sum(op.confidence for op in opinions) / max(len(opinions), 1)

    return (
        "당신은 AI 투자 전문가 회의를 주재하는 의장입니다.\n\n"
        f"=== 종목: {ticker} ===\n"
        f"현재가: {data.get('current_price', 0):,.0f}원 | "
        f"코스피: {data.get('kospi_price', 2500):.0f}\n"
        f"시장 레짐: {regime.regime.value} ({regime.description})\n"
        f"레짐 권고: {regime.model_recommendation}\n\n"
        f"=== 전문가 의견 ===\n{opinions_text}\n\n"
        f"=== 투표: 매수 {buy_n} / 매도 {sell_n} / 보유 {hold_n} "
        f"(평균 확신도: {avg_conf:.2f}) ===\n\n"
        "당신의 임무:\n"
        "1. 4명 의견을 종합하여 최종 매매 결정\n"
        f"2. LSTM v3 모델이 코스피 {data.get('kospi_price', 2500):.0f} 레짐에서 적합한지 평가\n"
        "3. 필요 시 대안 모델 구체적으로 권고\n\n"
        "반드시 아래 JSON 형식으로만 응답하세요:\n"
        "{\n"
        '  "final_decision": "BUY" 또는 "SELL" 또는 "HOLD",\n'
        '  "consensus_score": 0.0~1.0,\n'
        '  "confidence": 0.0~1.0,\n'
        '  "majority_reasoning": "최종 결정 근거 2~3문장 (한국어)",\n'
        '  "dissenting_views": "소수 의견 요약 (없으면 빈 문자열)",\n'
        '  "model_health_score": 0.0~1.0,\n'
        '  "model_replacement_recommended": true 또는 false,\n'
        '  "recommended_model": "교체 권고 모델명 (없으면 \'현재 모델 유지\')",\n'
        '  "council_summary": "회의 전체 요약 3~4문장 (한국어)"\n'
        "}"
    )


def _parse_json_response(raw: Optional[str]) -> Optional[dict]:
    """LLM 응답에서 JSON 추출 (폴백 포함)"""
    if not raw:
        return None
    try:
        return json.loads(raw)
    except json.JSONDecodeError:
        import re
        match = re.search(r'\{[\s\S]*\}', raw)
        if match:
            try:
                return json.loads(match.group())
            except json.JSONDecodeError:
                pass
    return None


def _vote_fallback(opinions: List[ExpertOpinion]) -> CouncilDecision:
    """의장 AI 실패 시 단순 다수결 폴백"""
    from collections import Counter
    if not opinions:
        return CouncilDecision(
            final_decision="HOLD", consensus_score=0.5, confidence=0.5,
            majority_reasoning="분석 데이터 부족", dissenting_views="",
            model_health_score=0.5, model_replacement_recommended=False,
            recommended_model="현재 모델 유지",
            council_summary="전문가 의견 수집 실패로 HOLD 처리",
        )

    votes = [op.decision for op in opinions]
    final = Counter(votes).most_common(1)[0][0]
    avg_conf = sum(op.confidence for op in opinions) / len(opinions)
    vote_counts = Counter(votes)
    consensus = vote_counts[final] / len(votes)

    return CouncilDecision(
        final_decision=final,
        consensus_score=round(consensus, 3),
        confidence=round(avg_conf, 3),
        majority_reasoning=f"전문가 {vote_counts[final]}/{len(votes)} 다수결 결과",
        dissenting_views="",
        model_health_score=0.5,
        model_replacement_recommended=False,
        recommended_model="현재 모델 유지",
        council_summary="의장 AI 오류 - 전문가 투표로 대체",
        expert_opinions=[
            {"name": op.expert_name, "decision": op.decision,
             "confidence": op.confidence, "reasoning": op.reasoning}
            for op in opinions
        ],
    )


class AICouncil:
    """
    AI 전문가 회의 시스템

    사용 방법:
        council = AICouncil(llm_client)
        decision = council.convene(ticker, analysis_data, regime_analysis)

    fast_mode=True 시 전문가 생략, 의장 AI 단독 판단 (속도 약 4배 향상)
    llm_client: GeminiLLMClient 또는 OllamaManager (request_inference 인터페이스 공용)
    """

    def __init__(self, llm_client: Any = None):
        self._ollama = llm_client  # 내부 변수명 유지 (하위호환)

    def _get_ollama(self) -> Any:
        if self._ollama is None:
            from modules.services.llm_client import get_llm_client
            self._ollama = get_llm_client()
        return self._ollama

    def _ask_expert(self, expert: dict, ticker: str, data: dict) -> ExpertOpinion:
        """단일 전문가 의견 수집"""
        prompt = _build_expert_prompt(expert, ticker, data)
        raw = self._get_ollama().request_inference(prompt)
        parsed = _parse_json_response(raw)

        if parsed:
            return ExpertOpinion(
                expert_name=expert["name"],
                role=expert["role"],
                decision=str(parsed.get("decision", "HOLD")).upper(),
                confidence=float(parsed.get("confidence", 0.5)),
                reasoning=str(parsed.get("reasoning", "")),
                key_concern=str(parsed.get("key_concern", "")),
                model_feedback=str(parsed.get("model_feedback", "")),
            )

        # 파싱 실패 → 중립
        print(f"[Council] {expert['name']} 응답 파싱 실패 → HOLD 처리")
        return ExpertOpinion(
            expert_name=expert["name"],
            role=expert["role"],
            decision="HOLD",
            confidence=0.5,
            reasoning="응답 파싱 실패",
            key_concern="",
            model_feedback="",
        )

    def convene(
        self,
        ticker: str,
        analysis_data: dict,
        regime_analysis: Optional[RegimeAnalysis] = None,
        fast_mode: bool = True,
    ) -> CouncilDecision:
        """
        전문가 회의 소집 및 최종 결정

        Args:
            ticker: 종목 코드
            analysis_data: process.py 분석 결과 딕셔너리
            regime_analysis: MarketRegimeDetector.detect() 결과
            fast_mode: True=의장 AI 단독(빠름), False=전문가 4명+의장(심층)

        Returns:
            CouncilDecision
        """
        # 레짐 기본값
        if regime_analysis is None:
            kospi = analysis_data.get("kospi_price", 2500)
            regime_analysis = MarketRegimeDetector.detect(kospi)

        expert_opinions: List[ExpertOpinion] = []

        if not fast_mode:
            print(f"[Council] {ticker} - 전문가 회의 시작 (4명)")
            for expert in _EXPERTS:
                print(f"[Council]   {expert['name']} 분석 중...")
                opinion = self._ask_expert(expert, ticker, analysis_data)
                expert_opinions.append(opinion)
                time.sleep(0.3)   # Ollama 연속 요청 간격
        else:
            print(f"[Council] {ticker} - Fast mode (의장 단독)")

        # 의장 AI 취합
        chairman_prompt = _build_chairman_prompt(
            ticker, expert_opinions, analysis_data, regime_analysis
        )
        raw_chairman = self._get_ollama().request_inference(chairman_prompt)
        parsed_chairman = _parse_json_response(raw_chairman)

        if parsed_chairman:
            decision = CouncilDecision(
                final_decision=str(parsed_chairman.get("final_decision", "HOLD")).upper(),
                consensus_score=float(parsed_chairman.get("consensus_score", 0.5)),
                confidence=float(parsed_chairman.get("confidence", 0.5)),
                majority_reasoning=str(parsed_chairman.get("majority_reasoning", "")),
                dissenting_views=str(parsed_chairman.get("dissenting_views", "")),
                model_health_score=float(parsed_chairman.get("model_health_score", 0.7)),
                model_replacement_recommended=bool(
                    parsed_chairman.get("model_replacement_recommended", False)
                ),
                recommended_model=str(
                    parsed_chairman.get("recommended_model", "현재 모델 유지")
                ),
                council_summary=str(parsed_chairman.get("council_summary", "")),
                expert_opinions=[
                    {
                        "name": op.expert_name,
                        "decision": op.decision,
                        "confidence": op.confidence,
                        "reasoning": op.reasoning,
                    }
                    for op in expert_opinions
                ],
            )

            status_icon = "⚠️" if decision.model_replacement_recommended else "✅"
            print(
                f"[Council] {ticker} → {decision.final_decision} "
                f"(합의율: {decision.consensus_score:.0%}, "
                f"모델건전성: {decision.model_health_score:.0%}) "
                f"{status_icon}"
            )
            if decision.model_replacement_recommended:
                print(f"[Council] 모델 교체 권고: {decision.recommended_model}")

            return decision

        # 의장 실패 → 투표 폴백
        print(f"[Council] {ticker} - 의장 AI 실패, 투표 폴백 사용")
        return _vote_fallback(expert_opinions)

    def quick_validate(
        self,
        ticker: str,
        kospi_price: float,
        ai_confidence: float,
        backtest_sharpe: Optional[float] = None,
    ) -> dict:
        """
        LLM 호출 없이 규칙 기반 빠른 모델 검증

        Returns:
            {
                "regime": str,
                "model_ok": bool,
                "score": float,
                "recommendation": str,
                "should_replace": bool,
            }
        """
        regime_analysis = MarketRegimeDetector.detect(kospi_price)
        validation = MarketRegimeDetector.validate_model_for_regime(
            regime_analysis.regime,
            backtest_sharpe=backtest_sharpe,
        )

        # AI 신뢰도 하락 시 추가 감점
        score = validation["confidence_score"]
        if ai_confidence < 0.4:
            score *= 0.8

        return {
            "regime": regime_analysis.regime.value,
            "regime_description": regime_analysis.description,
            "model_ok": score >= 0.5 and not validation["should_replace"],
            "score": round(score, 3),
            "recommendation": validation["recommendation"],
            "should_replace": validation["should_replace"],
            "alternative_models": validation["alternative_models"],
        }


# 전역 싱글톤
_council_instance: Optional[AICouncil] = None


def get_council(llm_client: Any = None) -> AICouncil:
    """워커 프로세스 내 AICouncil 싱글톤 반환 (GeminiLLMClient 또는 OllamaManager 수용)"""
    global _council_instance
    if _council_instance is None:
        _council_instance = AICouncil(llm_client)
    return _council_instance