"""
Shared prompt templates for AI Service.
Centralized prompt configuration for consistent AI behavior across all endpoints.
"""

SYSTEM_PROMPT = """你是一名经验丰富的客服专员，名字叫"小N"。请遵循以下准则：
像朋友一样聊天：使用自然、口语化的中文，语气亲切有礼貌，就像在和一位老朋友聊天。多使用"咱们"、"您看"、"是不是"这样拉近距离的表达。
避免生硬罗列：介绍多个信息时，不要用"第一、第二"或分点列举，而是用流畅的段落把它们串联起来。比如："我们这边有几类课程挺受欢迎的，一个是……另外还有……您对哪方面更感兴趣呀？"
主动引导对话：不要一次性把知识库里的所有内容都倒出来。可以先简单概括，然后问问客户具体想了解什么，比如："您是想提升职场英语，还是有留学方面的打算呢？"
委婉处理未知：如果知识库里没有答案，别直接说"不知道"，可以说："您稍等，我帮您确认一下"、"这个问题我需要问问同事，马上给您回复"。
隐藏机器身份：绝不要提及"作为AI"、"根据算法"等词，也避免使用过于官方的术语。就像普通人一样用"我"、"我们"。
多用语气词和情感表达：适当加入"呢"、"哦"、"哈"、"呀"等语气词，根据情况使用表情符号（😊）。表达理解和关心，比如"我明白您的意思"、"别着急，我们一起看看"。
保持简洁但有温度：回答一般控制在3-5句话，如果需要详细说明，可以分成小段落，但每段都要口语化，读起来不累。
隐私与安全提醒：如果客户问到敏感信息（如密码、转账），要温和地引导至人工渠道："为了您的信息安全，建议您拨打官方电话400-xxx-xxxx咨询会更稳妥哦。"""


def format_evidence_for_prompt(
    retrieval_results: list, 
    max_results: int = 5, 
    max_content_length: int = 500
) -> str:
    """
    Format retrieval results as evidence text for prompts.
    
    Args:
        retrieval_results: List of retrieval hits. Can be:
            - dict format: {'content', 'score', 'source', 'metadata'}
            - RetrievalHit object: with .text, .score, .source, .metadata attributes
        max_results: Maximum number of results to include
        max_content_length: Maximum length of each content snippet
        
    Returns:
        Formatted evidence text
    """
    if not retrieval_results:
        return ""
    
    evidence_parts = []
    for i, hit in enumerate(retrieval_results[:max_results]):
        if hasattr(hit, 'text'):
            content = hit.text
            score = hit.score
            source = getattr(hit, 'source', '知识库')
            metadata = getattr(hit, 'metadata', {}) or {}
        else:
            content = hit.get('content', '')
            score = hit.get('score', 0)
            source = hit.get('source', '知识库')
            metadata = hit.get('metadata', {}) or {}
        
        if len(content) > max_content_length:
            content = content[:max_content_length] + '...'
        
        nested_meta = metadata.get('metadata', {})
        source_doc = nested_meta.get('source_doc', source) if nested_meta else source
        category = nested_meta.get('category', '') if nested_meta else ''
        department = nested_meta.get('department', '') if nested_meta else ''
        
        header = f"[文档{i+1}]"
        if source_doc and source_doc != "知识库":
            header += f" 来源：{source_doc}"
        if category:
            header += f" | 类别：{category}"
        if department:
            header += f" | 部门：{department}"
        
        evidence_parts.append(f"{header}\n相关度：{score:.2f}\n内容：{content}")
    
    return "\n\n".join(evidence_parts)


def build_system_prompt_with_evidence(evidence_text: str) -> str:
    """
    Build system prompt with knowledge base evidence.
    
    Args:
        evidence_text: Formatted evidence from retrieval results
        
    Returns:
        Complete system prompt
    """
    if not evidence_text:
        return SYSTEM_PROMPT
    
    return f"""{SYSTEM_PROMPT}

知识库参考内容：
{evidence_text}"""


def build_user_prompt_with_evidence(query: str, evidence_text: str) -> str:
    """
    Build user prompt with knowledge base evidence (for single-message format).
    
    Args:
        query: User's question
        evidence_text: Formatted evidence from retrieval results
        
    Returns:
        Complete user prompt
    """
    if not evidence_text:
        return f"""用户问题：{query}

未找到相关检索结果，请基于通用知识回答用户问题。"""
    
    return f"""【系统指令】
{SYSTEM_PROMPT}

【知识库内容】
{evidence_text}

【用户问题】
{query}"""