# 文件路径：check_install.py
import os
from dotenv import load_dotenv

load_dotenv()

# 检查依赖包能否正常导入
import langchain
import langchain_deepseek
import langchain_openai
import langchain_chroma
import chromadb
import langgraph

print(f"langchain 版本: {langchain.__version__}")

# 检查密钥是否已配置
assert os.getenv("DEEPSEEK_API_KEY"), "未检测到 DEEPSEEK_API_KEY，请检查 .env 文件"
# assert os.getenv("OPENAI_API_KEY"), "未检测到 OPENAI_API_KEY，请检查 .env 文件"
assert os.getenv("DASHSCOPE_API_KEY"), "未检测到 DASHSCOPE_API_KEY，请检查 .env 文件"

print("环境配置成功~可以开始写客服机器人了！")

# 文件路径：customer_service_bot.py
# 依赖安装、.env 配置见上一节"环境搭建"
from dotenv import load_dotenv
load_dotenv()

import os
import sqlite3
from typing import Annotated
from langchain.tools import tool
from langchain.agents import create_agent
from langchain.agents.middleware import before_model, after_model
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage, AIMessage
from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.types import interrupt, Command


# ========== 1. 准备知识库 ==========

knowledge_base = [
    "菜鸟教程 RUNOOB 创立于 2013 年，是国内领先的免费编程学习平台。",
    "平台提供 300+ 套教程，涵盖 Python、Java、HTML、CSS、JavaScript 等。",
    "Python3 基础教程共 30 章，累计学习人次超 500 万。课程完全免费。",
    "VIP 会员费用为 ¥99/月，¥799/年，包含视频课程和一对一答疑服务。",
    "退款政策：购买 7 天内且在 3 节课以内可全额退款。",
    "平台支持在线编程环境，无需安装任何软件即可编写运行代码。",
    "客服工作时间：周一至周五 9:00-18:00，周末 10:00-16:00。",
]

# 使用阿里云百炼（DashScope）的通义千问 Embedding 服务
# 百炼的 Embedding 接口兼容 OpenAI 接口规范，所以直接用 langchain-openai
# 的 OpenAIEmbeddings，把 base_url 指向百炼的兼容端点即可，
# 不需要再装 langchain-community / dashscope（该包已停止维护）。
# text-embedding-v4 是目前推荐的通用向量模型，默认输出 1024 维向量。
#
# 两个关键参数不能少：
# - check_embedding_ctx_length=False：OpenAIEmbeddings 默认会用 tiktoken
#   把文本预先编码成 token id 数组再发送（OpenAI 官方接口认这个格式），
#   但百炼的兼容接口只接受原始字符串，不关掉这个选项会报
#   "contents is neither str nor list of str" 错误。
# - chunk_size=10：百炼 Embedding 接口单次请求最多接受 10 条文本，
#   OpenAIEmbeddings 默认一次打包 1000 条，知识库稍大就会超限报错。
embeddings = OpenAIEmbeddings(
    model="text-embedding-v4",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    check_embedding_ctx_length=False,
    chunk_size=10,
)
chunks = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=30
                                         ).create_documents(knowledge_base)
vector_store = Chroma.from_documents(chunks, embeddings)
retriever = vector_store.as_retriever(search_kwargs={"k": 3})


# ========== 2. 定义工具 ==========

@tool
def search_kb(query: str) -> str:
    """搜索菜鸟教程知识库，获取关于平台、课程、政策等官方信息。

    Args:
        query: 搜索问题或关键词
    """
    docs = retriever.invoke(query)
    if not docs:
        return "未找到相关信息，建议转接人工客服。"
    return "\n".join(f"- {doc.page_content}" for doc in docs)


# 模拟订单数据库
orders_db = {
    "ORD-2024-001": {"user": "小明", "item": "VIP 年费会员",
                      "amount": 799, "status": "已完成", "date": "2024-01-15"},
    "ORD-2024-002": {"user": "小明", "item": "Python 实战课程",
                      "amount": 199, "status": "配送中", "date": "2024-03-20"},
}


@tool
def query_order(order_id: str) -> str:
    """根据订单号查询订单状态和详情。

    Args:
        order_id: 订单号，如 ORD-2024-001
    """
    order = orders_db.get(order_id.upper())
    if not order:
        return f"未找到订单 {order_id}。请确认订单号是否正确。"
    return (f"订单 {order_id}：{order['item']} | "
            f"金额 ¥{order['amount']} | "
            f"状态 {order['status']} | "
            f"日期 {order['date']}")


@tool
def transfer_to_human(reason: str) -> str:
    """将用户转接给人工客服。

    Args:
        reason: 转接原因
    """
    approval = interrupt({
        "action": "transfer_to_human",
        "reason": reason,
        "message": f"用户请求转接人工客服，原因：{reason}。是否转接？"
    })
    if approval.get("confirmed"):
        return (f"已为您转接人工客服，预计等待 {approval.get('wait_time', 3)} 分钟。"
                f"工单号：TK-{approval.get('ticket_id', 'N/A')}")
    return "转接已取消，我继续为您服务。"


# ========== 3. 定义 Middleware ==========

@before_model
def content_guard(state, runtime):
    """过滤用户输入中的不当内容"""
    last_msg = state["messages"][-1] if state.get("messages") else None
    if not last_msg:
        return None
    content = str(getattr(last_msg, 'content', ''))
    blocked = ["黄X", "X博", "违法"]
    for word in blocked:
        if word in content:
            return {
                "jump_to": "end",
                "messages": [HumanMessage(content="抱歉，我不能处理这个请求。")]
            }
    return None


@after_model
def auto_signature(state, runtime):
    """自动追加客服签名"""
    msgs = state.get("messages", [])
    if not msgs:
        return None
    last = msgs[-1]
    if last.type == "ai" and last.content and not (
        hasattr(last, 'tool_calls') and last.tool_calls
    ):
        # 关键：复用 last.id，让 add_messages reducer 原地替换该消息，
        # 而不是把它当成一条新消息追加到历史里（否则历史会越滚越大，
        # 每轮多出一条"无签名版"和一条"带签名版"）
        return {"messages": [AIMessage(
            id=last.id,
            content=last.content
            + "\n\n---\n菜鸟教程 RUNOOB 客服中心 | 工作时间 9:00-18:00"
        )]}
    return None


# ========== 4. 创建 Agent ==========

# SqliteSaver.from_conn_string() 返回的是上下文管理器，只适合"用完即关"的
# 一次性脚本。客服机器人需要在多次 chat() 调用之间保持同一个数据库连接，
# 所以这里自己建立连接后传给 SqliteSaver 构造函数。
# check_same_thread=False 是因为 Web 框架通常会跨线程调用同一个连接。
conn = sqlite3.connect("customer_service.db", check_same_thread=False)
checkpointer = SqliteSaver(conn)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)

agent = create_agent(
    model=model,
    tools=[search_kb, query_order, transfer_to_human],
    middleware=[content_guard, auto_signature],
    checkpointer=checkpointer,
    system_prompt="""你是菜鸟教程 RUNOOB 的智能客服"小菜"。

## 你的职责
1. 热情接待每一位用户，用"您"称呼
2. 关于平台信息、课程内容、政策等问题，使用 search_kb 查询
3. 关于订单查询，使用 query_order 工具
4. 遇到无法解决的问题，使用 transfer_to_human 转接人工

## 行为准则
- 回答简洁，每次 2-3 句话
- 不知道的就查询知识库，查不到就诚实告知
- 保持友好亲切的语气""",
)


# ========== 5. 对话接口 ==========

def chat(thread_id: str, message: str) -> str:
    """处理用户消息并返回回复"""
    config = {"configurable": {"thread_id": thread_id}}

    # 运行 Agent
    result = agent.invoke(
        {"messages": [HumanMessage(content=message)]},
        config=config,
    )

    # 检查是否需要转接（HITL）
    state = agent.get_state(config)
    if state.tasks and state.tasks[0].interrupts:
        interrupt_info = state.tasks[0].interrupts[0].value
        return f"[需要审批] {interrupt_info.get('message', '')}"

    return result["messages"][-1].content


def resume_transfer(thread_id: str, confirmed: bool,
                     wait_time: int = 3, ticket_id: str = "0001") -> str:
    """人工客服后台审批后，恢复被 interrupt() 中断的转接流程。

    对应 transfer_to_human 工具里等待的 approval 数据。
    """
    config = {"configurable": {"thread_id": thread_id}}
    result = agent.invoke(
        Command(resume={
            "confirmed": confirmed,
            "wait_time": wait_time,
            "ticket_id": ticket_id,
        }),
        config=config,
    )
    return result["messages"][-1].content


# ========== 6. 测试 ==========

if __name__ == "__main__":
    user_id = "user_xiaoming"

    print("=== 测试 1：知识库查询 ===")
    print(chat(user_id, "Python3 教程有多少章？"))
    print()

    print("=== 测试 2：订单查询 ===")
    print(chat(user_id, "我的订单 ORD-2024-001 状态是什么？"))
    print()

    print("=== 测试 3：VIP 咨询 ===")
    print(chat(user_id, "VIP 会员多少钱？"))
    print()

    print("=== 测试 4：测试记忆 ===")
    print(chat(user_id, "我刚才问过什么问题？"))
    print()

    print("=== 测试 5：人工转接（HITL） ===")
    print(chat(user_id, "我要投诉，请转人工"))       # 触发 interrupt，等待审批
    print(resume_transfer(user_id, confirmed=True,
                           wait_time=5, ticket_id="8823"))  # 后台确认后恢复

    conn.close()