from typing import Optional, List, Dict
from agent_system.base import BaseAgent
from agent_system.monitor.prompt import MonitorPrompt
from agent_system.monitor.response_model import MonitorResult

class Monitor(BaseAgent):
    """
    Monitor智能体
    监控和评估现病史、既往史和主诉的质量，提供完成度评分
    """
    def __init__(self, model_type: str = "gpt-oss:latest", llm_config: dict = {}):
        super().__init__(
            model_type=model_type,
            description=MonitorPrompt.description,
            instructions=MonitorPrompt.instructions,
            response_model=MonitorResult,
            llm_config=llm_config,
            structured_outputs=True,
            markdown=False,
            use_cache=False
        )
    
    def run(self, hpi_content: str, ph_content: str, chief_complaint: str, 
            task_name: str = None, task_description: str = None) -> MonitorResult:
        """
        监控病史质量
        
        Args:
            hpi_content: 现病史内容
            ph_content: 既往史内容  
            chief_complaint: 主诉
            task_name: 任务名称（可选，用于针对性评估）
            task_description: 任务描述（可选，用于针对性评估）
            
        Returns:
            MonitorResult: 包含完成度评分和评分理由
        """
        # 根据是否提供任务信息选择不同的构建方式
        if task_name and task_description:
            prompt = self._build_task_specific_prompt(task_name, task_description, 
                                                    hpi_content, ph_content, chief_complaint)
        else:
            prompt = self.build_prompt(hpi_content, ph_content, chief_complaint)
        
        # 调用LLM进行评估
        result = super().run(prompt)
        
        # 确保返回正确的类型
        if isinstance(result, MonitorResult):
            return result
        elif isinstance(result, dict):
            return MonitorResult(**result)
        else:
            # 解析失败，返回默认结果
            return MonitorResult(
                completion_score=0.0,
                reason="监控评估失败：无法解析LLM响应"
            )
    
    def build_prompt(self, hpi_content: str, ph_content: str, chief_complaint: str) -> str:
        """
        构建监控评估的提示语
        
        Args:
            hpi_content: 现病史内容
            ph_content: 既往史内容
            chief_complaint: 主诉
            
        Returns:
            str: 构建好的提示语
        """
        prompt = f"""请对以下病史信息进行质量监控和评估：

**主诉**：
{chief_complaint}

**现病史**：
{hpi_content}

**既往史**：
{ph_content}

**评估要求**：
1. 综合评估现病史、既往史和主诉的信息完整性
2. 考虑信息之间的逻辑一致性和相互关联性
3. 基于医学标准评估信息的临床价值
4. **必须先给出详细的评分理由，再基于理由给出0.0-1.0范围内的完成度评分**
5. 评分必须与理由保持逻辑一致

**输出格式**：
严格按照以下JSON格式输出：
{{
  "completion_score": 浮点数（0.0-1.0），
  "reason": "详细的评分理由"
}}

**评分指导**：
- 0.9-1.0: 信息非常完整，逻辑清晰，临床价值高
- 0.8-0.9: 信息较完整，有少量缺失，整体质量良好  
- 0.7-0.8: 信息基本完整，存在一些不足
- 0.6-0.7: 信息不够完整，有明显缺失
- 0.5-0.6: 信息缺失较多，质量有待提高
- 0.0-0.5: 信息严重不足，需要大幅改善

请基于上述标准进行客观评估。"""
        
        return prompt
    
    def _build_task_specific_prompt(self, task_name: str, task_description: str,
                                  hpi_content: str, ph_content: str, chief_complaint: str) -> str:
        """
        构建针对特定任务的评估提示语
        
        Args:
            task_name: 任务名称
            task_description: 任务描述
            hpi_content: 现病史内容
            ph_content: 既往史内容
            chief_complaint: 主诉
            
        Returns:
            str: 构建好的任务特定评估提示语
        """
        prompt = f"""请针对特定任务对病史信息进行质量监控和评估：

**评估目标任务**：
任务名称：{task_name}
任务描述：{task_description}

**当前病史信息**：
主诉：{chief_complaint}
现病史：{hpi_content}
既往史：{ph_content}

**评估要求**：
1. **专门针对任务"{task_name}"进行评估**
2. 根据任务描述"{task_description}"，判断当前病史信息在这个方面的完整性
3. 重点关注与该任务相关的信息是否充分收集
4. 给出该任务的完成度评分（0.0-1.0范围）
5. 详细说明评分理由，解释该任务还缺少哪些关键信息

**评分标准**（针对该任务）：
- 0.9-1.0: 该任务相关信息非常完整，无需补充
- 0.8-0.9: 该任务相关信息较完整，仅有少量细节缺失  
- 0.7-0.8: 该任务相关信息基本齐全，有一些重要细节待补充
- 0.6-0.7: 该任务相关信息不够完整，缺少多项关键信息
- 0.5-0.6: 该任务相关信息缺失较多，需要大量补充
- 0.0-0.5: 该任务相关信息严重不足或完全缺失

**输出格式**：
严格按照以下JSON格式输出：
{{
  "completion_score": 浮点数（0.0-1.0），
  "reason": "针对任务'{task_name}'的详细评分理由，说明该任务完成情况和缺失信息"
}}

请基于上述要求进行针对性评估。"""
        
        return prompt