from typing import Dict, Any, List
from agent_system.base import BaseAgent
from agent_system.disease_analyst.prompt import DiseaseAnalystPrompt
from agent_system.disease_analyst.response_model import DiseaseAnalysisResult


class DiseaseContextAnalyst(BaseAgent):
    """
    疾病上下文分析智能体
    
    基于患者的现病史和既往史内容，分析疾病类型特点，
    生成初步诊断判断，并确定各子任务的评估重点。
    
    核心功能:
    1. 识别疾病所属系统（神经、心血管、呼吸、消化等）
    2. 分析起病模式（急性、亚急性、慢性）和严重程度
    3. 推断可能的疾病诊断
    4. 为后续子任务确定针对性的评估重点
    
    Attributes:
        model_type (str): 使用的大语言模型类型，默认为 gpt-oss:latest
        llm_config (dict): LLM模型配置参数
    """
    
    def __init__(self, model_type: str = "gpt-oss:latest", llm_config: dict = None):
        """
        初始化疾病上下文分析智能体
        
        Args:
            model_type (str): 大语言模型类型，默认使用 gpt-oss:latest
            llm_config (dict): LLM模型的配置参数，如果为None则使用默认配置
        """
        super().__init__(
            model_type=model_type,
            description="基于患者主述分析疾病上下文并确定评估重点",
            instructions=DiseaseAnalystPrompt.instructions,
            response_model=DiseaseAnalysisResult,
            llm_config=llm_config or {},
            structured_outputs=True,
            markdown=False,
            use_cache=False
        )
    
    def run(self, hpi_content: str, ph_content: str = "") -> DiseaseAnalysisResult:
        """
        执行疾病上下文分析
        
        基于现病史和既往史内容，分析疾病特点，生成初步判断，
        并为后续的现病史收集、既往史收集等子任务确定评估重点。
        
        Args:
            hpi_content (str): 现病史内容，患者的主要症状描述
            ph_content (str, optional): 既往史内容，患者的历史疾病信息，默认为空字符串
            
        Returns:
            DiseaseAnalysisResult: 包含疾病分析结果的结构化数据，包括：
                - disease_category: 疾病类别（如神经系统疾病等）
                - suspected_conditions: 可能的诊断列表
                - onset_pattern: 起病模式（急性/亚急性/慢性）
                - severity_level: 疾病严重程度（轻度/中度/重度）
                - evaluation_priorities: 各子任务的评估重点
                - medical_reasoning: 医学分析推理过程
                
        Raises:
            Exception: 当LLM调用失败时，返回包含默认信息的DiseaseAnalysisResult
        """
        try:
            # 构建分析提示词
            prompt = self._build_analysis_prompt(hpi_content, ph_content)
            
            # 调用基类的run方法执行LLM推理
            result = super().run(prompt)
            
            # 确保返回正确的类型并进行类型转换
            return self._ensure_result_type(result)
            
        except Exception as e:
            # 当分析失败时记录错误并返回默认结果
            print(f"疾病上下文分析失败: {str(e)}")
            return self._get_fallback_result()
    
    def _ensure_result_type(self, result: Any) -> DiseaseAnalysisResult:
        """
        确保返回结果为正确的类型
        
        Args:
            result (Any): LLM返回的原始结果
            
        Returns:
            DiseaseAnalysisResult: 转换后的结构化结果
        """
        if isinstance(result, DiseaseAnalysisResult):
            return result
        elif isinstance(result, dict):
            return DiseaseAnalysisResult(**result)
        else:
            # 如果类型不匹配，返回默认结果
            return self._get_fallback_result()
    
    def _get_fallback_result(self) -> DiseaseAnalysisResult:
        """
        生成分析失败时的默认结果
        
        Returns:
            DiseaseAnalysisResult: 包含默认评估重点的结果
        """
        return DiseaseAnalysisResult(
            disease_category="未知疾病类型",
            suspected_conditions=["需进一步分析"],
            onset_pattern="未明确",
            severity_level="未评估",
            evaluation_priorities={
                "诊疗经过": ["既往就诊经历", "既往诊断情况", "治疗方案及效果"],
                "主要症状特征": ["症状的具体表现", "症状的严重程度", "症状的持续时间"],
                "伴随症状": ["相关系统症状", "全身性症状", "功能性症状"],
                "病情发展与演变": ["症状变化趋势", "诱发或缓解因素", "病程发展规律"]
            },
            medical_reasoning="由于分析过程中出现异常，系统提供了通用的评估重点，建议人工进一步分析患者病情。"
        )
    
    def _build_analysis_prompt(self, hpi_content: str, ph_content: str) -> str:
        """
        构建疾病分析的提示词模板
        
        根据现病史和既往史内容，构建简洁高效的分析提示词，
        引导LLM进行专业的医学分析和判断。
        
        Args:
            hpi_content (str): 现病史内容
            ph_content (str): 既往史内容
            
        Returns:
            str: 精简的分析提示词
        """
        # 确保既往史内容的合理显示
        past_history_display = ph_content.strip() if ph_content.strip() else "暂无既往史信息"
        
        # 从prompt类获取示例输出格式
        from agent_system.disease_analyst.prompt import DiseaseAnalystPrompt
        example_output = DiseaseAnalystPrompt.get_example_output()
        
        prompt = f"""患者病史信息：
现病史: {hpi_content}
既往史: {past_history_display}

请分析疾病系统、起病模式、初步诊断，并为关键子任务确定评估重点。

输出格式示例：
{example_output}

请严格按照上述JSON格式输出。
输出内容为:"""
        
        return prompt
    
    def analyze_patient_chief_complaint(self, chief_complaint: str) -> DiseaseAnalysisResult:
        """
        基于患者主述进行初步疾病分析的便捷接口
        
        这是一个专门针对患者主述（chief complaint）的分析方法，
        适用于初诊时仅有患者主述信息的情况。
        
        Args:
            chief_complaint (str): 患者的主要症状主述
            
        Returns:
            DiseaseAnalysisResult: 基于主述的初步分析结果
        """
        return self.run(hpi_content=chief_complaint, ph_content="")
    
    def get_evaluation_priorities_for_task(self, result: DiseaseAnalysisResult, task_name: str) -> List[str]:
        """
        获取特定子任务的评估重点
        
        Args:
            result (DiseaseAnalysisResult): 疾病分析结果
            task_name (str): 子任务名称
            
        Returns:
            List[str]: 该任务的评估重点列表，如果任务不存在则返回空列表
        """
        return result.evaluation_priorities.get(task_name, [])