import os
import sqlite3
from typing import cast, Optional

from langchain.agents import create_agent, AgentState
from langchain.agents.middleware import SummarizationMiddleware
from langchain.agents.middleware.summarization import ContextMessages
from langchain.chat_models import init_chat_model
from langchain_core.language_models import BaseChatModel
from langchain_core.messages import HumanMessage
from langchain_core.runnables import RunnableConfig
from langgraph.checkpoint.sqlite import SqliteSaver # 需要安装langgraph-checkpoint-sqlite
from langchain_tavily import TavilySearch

from core.config.settings import settings

# 初始化模型 需要多模态大模型 deepseek已支持
llm_model = init_chat_model(
    model="deepseek-v4-flash",
    model_provider="deepseek",
    api_key=settings.DEEPSEEK_API_KEY
)

# 定义工具 使用tavily搜索工具 langchain-tavily
search_tool = TavilySearch(
    tavily_api_key=settings.TAVILY_API_KEY,
    max_results=5, # 最大搜索结果条数
    topic="general"
)

# 定义记忆策略 使用SummarizationMiddleware摘要策略中间件
summary = SummarizationMiddleware(
    model=cast(BaseChatModel, llm_model),  # 消息摘要的记忆管理策略的模型
    trigger=cast(ContextMessages, ("messages", 10)),  # 触发策略的条件
    keep=cast(ContextMessages, ("messages", 5))  # 触发策略后保留的消息条数
)

# 创建数据库目录（如果不存在）
os.makedirs("sqlite", exist_ok=True)
# 创建 SQLite 数据库连接 check_same_thread=False 是为了确保在多线程环境下的安全性
conn = sqlite3.connect("sqlite/checkpoints.db", check_same_thread=False)
# 初始化 checkpointer
checkpointer = SqliteSaver(conn)
# 自动建表
checkpointer.setup()

# agent提示词
system_prompt = """
你是一名有名的国宴厨师。收到用户提供的食材照片或清单后，按照以下流程步骤操作：
1.识别和评估食材：若用户提供照片，首先辨别所有可见食材，基于食材的外观状态，评估其新鲜度和可用量，整理出一份“可用食材清单”。
2.智能食谱检索：优先调用search_tool工具，以“可用食材清单”为核心关键词，查找可行菜谱。
3.多维度评估与排序：从营养与烹饪难度这2个维度对检索到的候选食谱进行量化打分，并根据得分进行排序，制作简单且营养丰富的排名靠前。
4.结构化方案输出：把排序后的食谱整理成一份结构清晰的建议报告，要包括食谱信息、得分、推荐理由、食谱的参考图片，帮助用户快速做出决策。
"""

# 定义thread_config 用于记忆存储分组
thread_config: RunnableConfig  = {"configurable": {"thread_id": "2"}}

# 创建agent
agent = create_agent(
    model=cast(BaseChatModel, llm_model), # 指定类型 避免idea报错
    tools=[search_tool],
    checkpointer=checkpointer,
    middleware=[summary],
    system_prompt=system_prompt
)

if __name__ == "__main__":
    question = input("> ")
    res = agent.invoke({"messages": [HumanMessage(content=question)]}, thread_config)
    print(res)