"""
=============================================================================
THE FACTORY - Director
=============================================================================
Coordina el proceso de generación iterativa.
- Prepara contexto para el Executor
- Decide cuándo converger
- Gestiona presupuesto
=============================================================================
"""

import logging
from typing import Dict, Any, Optional

from config import FactoryConfig, FunctionType

logger = logging.getLogger("factory.director")


class Director:
    """
    El Director coordina el proceso de generación iterativa.
    """

    def __init__(self, config: FactoryConfig):
        self.config = config

    def prepare_context(
        self,
        seed: str,
        objective: str,
        function: FunctionType,
        previous_artifact: Optional[Any],
        feedback: Optional[str],
        iteration: int,
        context: Dict[str, Any]
    ) -> Dict[str, Any]:
        """
        Prepara el contexto para el Executor.

        Args:
            seed: Prompt inicial
            objective: Objetivo a alcanzar
            function: Tipo de función
            previous_artifact: Artefacto de iteración anterior
            feedback: Feedback del Evaluator
            iteration: Número de iteración actual
            context: Contexto adicional del usuario

        Returns:
            Contexto preparado para el Executor
        """
        exec_context = {
            "seed": seed,
            "objective": objective,
            "function": function,
            "iteration": iteration,
            "is_first_iteration": iteration == 1,
            "user_context": context
        }

        if iteration == 1:
            # Primera iteración: usar seed directamente
            exec_context["prompt"] = self._build_initial_prompt(seed, objective, function)
        else:
            # Iteraciones posteriores: incorporar feedback
            exec_context["previous_artifact"] = previous_artifact
            exec_context["feedback"] = feedback
            exec_context["prompt"] = self._build_refinement_prompt(
                seed, objective, function, previous_artifact, feedback, iteration
            )

        # Seleccionar modelo apropiado
        exec_context["model"] = self._select_model(function, iteration, context)

        return exec_context

    def _build_initial_prompt(
        self,
        seed: str,
        objective: str,
        function: FunctionType
    ) -> str:
        """Construye prompt para primera iteración."""

        if function == FunctionType.TEXT_GENERATION:
            return f"""Genera contenido de alta calidad basado en lo siguiente:

SOLICITUD:
{seed}

OBJETIVO:
{objective}

Proporciona una respuesta completa, bien estructurada y profesional."""

        elif function == FunctionType.CODE_GENERATION:
            return f"""Genera código de alta calidad basado en lo siguiente:

SOLICITUD:
{seed}

OBJETIVO:
{objective}

El código debe:
- Ser limpio y bien documentado
- Seguir mejores prácticas
- Incluir manejo de errores apropiado
- Ser eficiente y mantenible"""

        elif function == FunctionType.IMAGE_GENERATION:
            return f"""{seed}

Style: Professional, high quality, detailed
Objective: {objective}"""

        elif function == FunctionType.DOCUMENT_GENERATION:
            return f"""Genera un documento profesional:

TIPO DE DOCUMENTO:
{seed}

OBJETIVO:
{objective}

El documento debe ser:
- Profesional y bien formateado
- Completo con toda la información necesaria
- Claro y fácil de leer"""

        else:
            return f"{seed}\n\nObjective: {objective}"

    def _build_refinement_prompt(
        self,
        seed: str,
        objective: str,
        function: FunctionType,
        previous_artifact: Any,
        feedback: str,
        iteration: int
    ) -> str:
        """Construye prompt para iteraciones de refinamiento."""

        # Truncar artefacto anterior si es muy largo
        prev_str = str(previous_artifact)
        if len(prev_str) > 2000:
            prev_str = prev_str[:2000] + "\n[...truncado...]"

        if function in [FunctionType.TEXT_GENERATION, FunctionType.DOCUMENT_GENERATION]:
            return f"""Mejora el siguiente contenido basándote en el feedback:

SOLICITUD ORIGINAL:
{seed}

OBJETIVO:
{objective}

CONTENIDO ANTERIOR (iteración {iteration - 1}):
{prev_str}

FEEDBACK A INCORPORAR:
{feedback}

Genera una versión mejorada que aborde el feedback mientras mantiene los aspectos positivos."""

        elif function == FunctionType.CODE_GENERATION:
            return f"""Mejora el siguiente código basándote en el feedback:

SOLICITUD ORIGINAL:
{seed}

OBJETIVO:
{objective}

CÓDIGO ANTERIOR (iteración {iteration - 1}):
```
{prev_str}
```

FEEDBACK A INCORPORAR:
{feedback}

Genera una versión mejorada del código."""

        elif function == FunctionType.IMAGE_GENERATION:
            return f"""{seed}

Previous attempt feedback: {feedback}
Iteration: {iteration}
Objective: {objective}
Improve based on feedback while maintaining the core concept."""

        else:
            return f"""Mejora basándote en el feedback:

Original: {seed}
Objetivo: {objective}
Anterior: {prev_str}
Feedback: {feedback}

Genera versión mejorada."""

    def _select_model(
        self,
        function: FunctionType,
        iteration: int,
        context: Dict[str, Any]
    ) -> str:
        """Selecciona el modelo apropiado."""

        # Si el usuario especificó un modelo, usarlo
        if "model" in context:
            return context["model"]

        # Por defecto, usar el modelo configurado para la función
        return self.config.default_models.get(function, "claude-sonnet")

    def should_converge(
        self,
        confidence: float,
        iteration: int,
        previous_confidence: float,
        budget_used: float,
        budget_total: float
    ) -> bool:
        """
        Decide si el job debe converger.

        Criterios:
        1. Umbral de confianza alcanzado
        2. Rendimientos decrecientes (mejora < threshold)
        3. Presupuesto casi agotado
        """

        # 1. Umbral de confianza
        if confidence >= self.config.convergence_threshold:
            logger.info(f"Convergencia por umbral: {confidence:.2f} >= {self.config.convergence_threshold}")
            return True

        # 2. Rendimientos decrecientes
        if iteration > 1 and confidence >= self.config.diminishing_returns_min_confidence:
            improvement = confidence - previous_confidence
            if improvement < self.config.diminishing_returns_threshold:
                logger.info(f"Convergencia por rendimientos decrecientes: mejora {improvement:.3f} < {self.config.diminishing_returns_threshold}")
                return True

        # 3. Presupuesto casi agotado (>90% usado)
        if budget_used >= budget_total * 0.9:
            logger.info(f"Convergencia por presupuesto: ${budget_used:.4f} >= 90% de ${budget_total:.4f}")
            return True

        return False