import os
import uuid
import time
import jieba
from fastapi import FastAPI, Form, HTTPException
from openai import AsyncOpenAI  # 使用异步客户端
from gensim.models import KeyedVectors
from contextlib import asynccontextmanager
from TtsConfig import *
from WxMini.OssUtil import upload_mp3_to_oss
from WxMini.TtsUtil import TTS
from WxMini.Milvus.Utils.MilvusCollectionManager import MilvusCollectionManager
from WxMini.Milvus.Utils.MilvusConnectionPool import *
from WxMini.Milvus.Config.MulvusConfig import *
import asyncio  # 引入异步支持
import logging  # 增加日志记录

import jieba.analyse

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

# 提取用户输入的关键词
def extract_keywords(text, topK=3):
    """
    提取用户输入的关键词
    :param text: 用户输入的文本
    :param topK: 返回的关键词数量
    :return: 关键词列表
    """
    keywords = jieba.analyse.extract_tags(text, topK=topK)
    return keywords

# 初始化 Word2Vec 模型
model_path = MS_MODEL_PATH
model = KeyedVectors.load_word2vec_format(model_path, binary=False, limit=MS_MODEL_LIMIT)
logger.info(f"模型加载成功，词向量维度: {model.vector_size}")

# 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)

# 将文本转换为嵌入向量
def text_to_embedding(text):
    words = jieba.lcut(text)  # 使用 jieba 分词
    logger.info(f"文本: {text}, 分词结果: {words}")
    embeddings = [model[word] for word in words if word in model]
    logger.info(f"有效词向量数量: {len(embeddings)}")
    if embeddings:
        avg_embedding = sum(embeddings) / len(embeddings)
        logger.info(f"生成的平均向量: {avg_embedding[:5]}...")  # 打印前 5 维
        return avg_embedding
    else:
        logger.warning("未找到有效词，返回零向量")
        return [0.0] * model.vector_size

# 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。")
    yield
    # 应用关闭时释放连接池
    milvus_pool.close()
    logger.info("Milvus 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}")

        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
        response = await client.chat.completions.create(  # 使用异步调用
            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}"}  # 将历史交互和当前输入一起发送
            ],
            max_tokens=500
        )

        # 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
            ]
            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。")

            # 调用 TTS 生成 MP3
            uuid_str = str(uuid.uuid4())
            tts_file = "audio/" + uuid_str + ".mp3"
            t = TTS(tts_file)
            await asyncio.to_thread(t.start, result)  # 将 TTS 生成放到线程池中执行
            # 文件上传到 OSS
            await asyncio.to_thread(upload_mp3_to_oss, tts_file, tts_file)
            # 删除临时文件
            try:
                os.remove(tts_file)
                logger.info(f"临时文件 {tts_file} 已删除")
            except Exception as e:
                logger.error(f"删除临时文件失败: {e}")
            # 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(app, host="0.0.0.0", port=5600)