import asyncio
import logging
import time
import uuid
from contextlib import asynccontextmanager

from fastapi import FastAPI, Form, HTTPException
from openai import AsyncOpenAI

from WxMini.Milvus.Config.MulvusConfig import *
from WxMini.Milvus.Utils.MilvusCollectionManager import MilvusCollectionManager
from WxMini.Milvus.Utils.MilvusConnectionPool import *
from WxMini.Utils.OssUtil import upload_mp3_to_oss_from_memory
from WxMini.Utils.TtsUtil import TTS
from WxMini.Utils.MySQLUtil import init_mysql_pool, save_chat_to_mysql
from WxMini.Utils.EmbeddingUtil import text_to_embedding

# 配置日志
logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")
logger = logging.getLogger(__name__)

# 初始化 Milvus 连接池
milvus_pool = MilvusConnectionPool(host=MS_HOST, port=MS_PORT, max_connections=MS_MAX_CONNECTIONS)

# 初始化集合管理器
collection_name = MS_COLLECTION_NAME
collection_manager = MilvusCollectionManager(collection_name)

# 使用 Lifespan Events 处理应用启动和关闭逻辑
@asynccontextmanager
async def lifespan(app: FastAPI):
    # 应用启动时加载集合到内存
    collection_manager.load_collection()
    logger.info(f"集合 '{collection_name}' 已加载到内存。")
    # 初始化 MySQL 连接池
    app.state.mysql_pool = await init_mysql_pool()
    logger.info("MySQL 连接池已初始化。")
    yield
    # 应用关闭时释放连接池
    milvus_pool.close()
    app.state.mysql_pool.close()
    await app.state.mysql_pool.wait_closed()
    logger.info("Milvus 和 MySQL 连接池已关闭。")

# 初始化 FastAPI 应用
app = FastAPI(lifespan=lifespan)

# 初始化异步 OpenAI 客户端
client = AsyncOpenAI(
    api_key=MODEL_API_KEY,
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

@app.post("/reply")
async def reply(session_id: str = Form(...), prompt: str = Form(...)):
    """
    接收用户输入的 prompt，调用大模型并返回结果
    :param session_id: 用户会话 ID
    :param prompt: 用户输入的 prompt
    :return: 大模型的回复
    """
    try:
        logger.info(f"收到用户输入: {prompt}")
        # 从连接池中获取一个连接
        connection = milvus_pool.get_connection()

        # 将用户输入转换为嵌入向量
        current_embedding = text_to_embedding(prompt)

        # 查询与当前对话最相关的历史交互
        search_params = {
            "metric_type": "L2",  # 使用 L2 距离度量方式
            "params": {"nprobe": MS_NPROBE}  # 设置 IVF_FLAT 的 nprobe 参数
        }
        start_time = time.time()
        results = await asyncio.to_thread(  # 将阻塞操作放到线程池中执行
            collection_manager.search,
            data=current_embedding,  # 输入向量
            search_params=search_params,  # 搜索参数
            expr=f"session_id == '{session_id}'",  # 按 session_id 过滤
            limit=5  # 返回 5 条结果
        )
        end_time = time.time()

        # 构建历史交互提示词
        history_prompt = ""
        if results:
            for hits in results:
                for hit in hits:
                    try:
                        # 查询非向量字段
                        record = await asyncio.to_thread(collection_manager.query_by_id, hit.id)
                        if record:
                            logger.info(f"查询到的记录: {record}")
                            # 添加历史交互
                            history_prompt += f"用户: {record['user_input']}\n大模型: {record['model_response']}\n"
                    except Exception as e:
                        logger.error(f"查询失败: {e}")

        # 限制历史交互提示词长度
        history_prompt = history_prompt[:2000]
        logger.info(f"历史交互提示词: {history_prompt}")

        # 调用大模型，将历史交互作为提示词
        try:
            response = await asyncio.wait_for(
                client.chat.completions.create(
                    model=MODEL_NAME,
                    messages=[
                        {"role": "system",
                         "content": "你是一个私人助理，负责回答用户的问题。请根据用户的历史对话和当前问题，提供准确且简洁的回答。不要提及你是通义千问或其他无关信息,也不可以回复与本次用户问题不相关的历史对话记录内容。"},
                        {"role": "user", "content": f"历史对话记录：{history_prompt},本次用户问题: {prompt}"}
                    ],
                    max_tokens=500
                ),
                timeout=60  # 设置超时时间为 60 秒
            )
        except asyncio.TimeoutError:
            logger.error("大模型调用超时")
            raise HTTPException(status_code=500, detail="大模型调用超时")

        # 提取生成的回复
        if response.choices and response.choices[0].message.content:
            result = response.choices[0].message.content.strip()
            logger.info(f"大模型回复: {result}")

            # 记录用户输入和大模型反馈到向量数据库
            timestamp = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
            entities = [
                [session_id],  # session_id
                [prompt[:500]],  # user_input，截断到 500 字符
                [result[:500]],  # model_response，截断到 500 字符
                [timestamp],  # timestamp
                [current_embedding]  # embedding
            ]
            if len(prompt) > 500:
                logger.warning(f"用户输入被截断，原始长度: {len(prompt)}")
            if len(result) > 500:
                logger.warning(f"大模型回复被截断，原始长度: {len(result)}")
            await asyncio.to_thread(collection_manager.insert_data, entities)
            logger.info("用户输入和大模型反馈已记录到向量数据库。")

            # 记录聊天数据到 MySQL
            await save_chat_to_mysql(app.state.mysql_pool, session_id, prompt, result)
            logger.info("用户输入和大模型反馈已记录到 MySQL 数据库。")

            # 调用 TTS 生成 MP3
            uuid_str = str(uuid.uuid4())
            timestamp = int(time.time())
            tts_file = f"audio/{uuid_str}_{timestamp}.mp3"

            # 生成 TTS 音频数据（不落盘）
            t = TTS(None)  # 传入 None 表示不保存到本地文件
            audio_data = await asyncio.to_thread(t.generate_audio, result)  # 假设 TTS 类有一个 generate_audio 方法返回音频数据

            # 将音频数据直接上传到 OSS
            await asyncio.to_thread(upload_mp3_to_oss_from_memory, tts_file, audio_data)
            logger.info(f"TTS 文件已直接上传到 OSS: {tts_file}")

            # 完整的 URL
            url = 'https://ylt.oss-cn-hangzhou.aliyuncs.com/' + tts_file
            return {
                "success": True,
                "url": url,
                "search_time": end_time - start_time,  # 返回查询耗时
                "response": result  # 返回大模型的回复
            }
        else:
            raise HTTPException(status_code=500, detail="大模型未返回有效结果")
    except Exception as e:
        logger.error(f"调用大模型失败: {str(e)}")
        raise HTTPException(status_code=500, detail=f"调用大模型失败: {str(e)}")
    finally:
        # 释放连接
        milvus_pool.release_connection(connection)

# 运行 FastAPI 应用
if __name__ == "__main__":
    import uvicorn

    uvicorn.run("Start:app", host="0.0.0.0", port=5600, workers=1)