"""
Agent 基类 - 定义 Agent 的基本行为
"""
from dataclasses import dataclass
from typing import Generator
from agents.agent_profiles import get_agent_profile


@dataclass
class AgentMessage:
    """Agent 发言消息"""
    agent_id: str
    agent_name: str
    emoji: str
    content: str
    round_num: int


class BaseAgent:
    """Agent 基类"""
    
    def __init__(self, agent_id: str, llm_client):
        """
        初始化 Agent
        
        Args:
            agent_id: Agent 标识符 (如 'ceo', 'cto')
            llm_client: LLM 客户端实例
        """
        self.agent_id = agent_id
        self.llm_client = llm_client
        
        profile = get_agent_profile(agent_id)
        if not profile:
            raise ValueError(f"未知的 Agent ID: {agent_id}")
        
        self.name = profile["name"]
        self.emoji = profile["emoji"]
        self.perspective = profile["perspective"]
        self.focus_areas = profile["focus_areas"]
        self.system_prompt = profile["system_prompt"]
        
        # 存储对话历史
        self.conversation_history = []

    @property
    def model_name(self) -> str:
        """获取当前使用的模型名称"""
        if hasattr(self.llm_client, "model"):
            return self.llm_client.model
        return "Unknown Model"
    
    def generate_response(
        self,
        topic: str,
        context: str = "",
        previous_speeches: list = None,
        round_num: int = 1
    ) -> Generator[str, None, None]:
        """
        生成 Agent 的发言（流式输出）
        
        Args:
            topic: 讨论议题
            context: 背景信息
            previous_speeches: 之前其他 Agent 的发言列表
            round_num: 当前轮次
            
        Yields:
            str: 流式输出的文本片段
        """
        # 构建对话 prompt
        user_prompt = self._build_user_prompt(topic, context, previous_speeches, round_num)
        
        # 调用 LLM 生成回复
        full_response = ""
        for chunk in self.llm_client.chat_stream(
            system_prompt=self.system_prompt,
            user_prompt=user_prompt
        ):
            full_response += chunk
            yield chunk
        
        # 保存到历史
        self.conversation_history.append({
            "round": round_num,
            "content": full_response
        })
    
    def _build_user_prompt(
        self,
        topic: str,
        context: str,
        previous_speeches: list,
        round_num: int
    ) -> str:
        """构建用户 prompt"""
        
        prompt_parts = [f"## 讨论议题\n{topic}"]
        
        if context:
            prompt_parts.append(f"\n## 背景信息\n{context}")
        
        if previous_speeches and len(previous_speeches) > 0:
            prompt_parts.append("\n## 其他人的观点")
            for speech in previous_speeches:
                prompt_parts.append(
                    f"\n**{speech['emoji']} {speech['name']}**:\n{speech['content']}"
                )
        
        if round_num == 1:
            prompt_parts.append(
                f"\n## 你的任务\n"
                f"作为 {self.name}，请从你的专业视角（{self.perspective}）对这个议题发表看法。\n"
                f"重点关注：{', '.join(self.focus_areas)}\n"
                f"请给出 2-3 个核心观点，每个观点用 1-2 句话阐述。保持简洁有力。"
            )
        else:
            prompt_parts.append(
                f"\n## 你的任务\n"
                f"这是第 {round_num} 轮讨论。请针对其他人的观点进行回应：\n"
                f"- 你同意或反对哪些观点？为什么？\n"
                f"- 有没有被忽略的重要问题？\n"
                f"- 你的立场有没有调整？\n"
                f"请保持简洁，聚焦于最重要的 1-2 个点。"
            )
        
        return "\n".join(prompt_parts)
    
    def get_summary(self) -> str:
        """获取该 Agent 所有发言的摘要"""
        if not self.conversation_history:
            return "暂无发言"
        
        return "\n---\n".join([
            f"第 {h['round']} 轮: {h['content']}"
            for h in self.conversation_history
        ])