package memory

import (
	"context"
	"fmt"
	"strings"

	"github.com/yourname/cyrene-ai/ai-core/internal/model"
)

// MemoryEntry 记忆条目别名（避免与model包冲突）
type MemoryEntry = model.MemoryEntry

// Retriever 记忆检索器
type Retriever struct {
	store     *Store
	embedder  Embedder // 文本转向量的接口
}

// Embedder 文本嵌入接口
type Embedder interface {
	Embed(ctx context.Context, text string) ([]float64, error)
}

// SimpleEmbedder 基于关键词的简单嵌入（MVP阶段可用，无需外部API）
type SimpleEmbedder struct{}

// Embed 简单的关键词哈希嵌入（用于MVP快速验证）
func (e *SimpleEmbedder) Embed(ctx context.Context, text string) ([]float64, error) {
	// 生成一个简单的1536维特征向量
	// 基于字符频率的简单表示，用于MVP阶段
	vec := make([]float64, 1536)

	runes := []rune(strings.ToLower(text))
	for i, r := range runes {
		idx := int(r) % 1536
		vec[idx] += 1.0 / float64(len(runes))
		// 考虑位置信息
		posIdx := (int(r) + i) % 1536
		vec[posIdx] += 0.5 / float64(len(runes))
	}

	return vec, nil
}

// NewRetriever 创建记忆检索器
func NewRetriever(store *Store, embedder Embedder) *Retriever {
	if embedder == nil {
		embedder = &SimpleEmbedder{}
	}
	return &Retriever{
		store:    store,
		embedder: embedder,
	}
}

// Retrieve 检索与查询相关的记忆
// 策略: 向量相似度 + 关键词匹配混合
func (r *Retriever) Retrieve(ctx context.Context, userID string, query string) ([]MemoryEntry, error) {
	var allEntries []MemoryEntry
	seen := make(map[string]bool)

	// 1. 向量相似度检索
	embedding, err := r.embedder.Embed(ctx, query)
	if err == nil {
		vecEntries, err := r.store.SearchByVector(ctx, userID, embedding, 5)
		if err == nil {
			for _, e := range vecEntries {
				if !seen[e.ID] {
					seen[e.ID] = true
					allEntries = append(allEntries, e)
				}
			}
		}
	}

	// 2. 关键词匹配检索（核心/重要记忆优先）
	keywordEntries, err := r.keywordSearch(ctx, userID, query)
	if err == nil {
		for _, e := range keywordEntries {
			if !seen[e.ID] {
				seen[e.ID] = true
				allEntries = append(allEntries, e)
			}
		}
	}

	// 3. 如果没有匹配，返回最近的重要记忆
	if len(allEntries) == 0 {
		recentEntries, err := r.store.Query(ctx, model.MemoryQuery{
			UserID:   userID,
			Priority: model.MemoryImportant,
			Limit:    3,
		})
		if err == nil {
			allEntries = recentEntries
		}
	}

	// 限制返回数量
	if len(allEntries) > 10 {
		allEntries = allEntries[:10]
	}

	return allEntries, nil
}

// keywordSearch 关键词匹配检索
func (r *Retriever) keywordSearch(ctx context.Context, userID string, query string) ([]MemoryEntry, error) {
	// 查询最近的核心和重要记忆
	entries, err := r.store.Query(ctx, model.MemoryQuery{
		UserID:   userID,
		Priority: model.MemoryImportant,
		Limit:    50,
	})
	if err != nil {
		return nil, err
	}

	// 简单的关键词匹配过滤
	var matched []MemoryEntry
	queryLower := strings.ToLower(query)

	for _, entry := range entries {
		contentLower := strings.ToLower(entry.Content)
		summaryLower := strings.ToLower(entry.Summary)
		if strings.Contains(contentLower, queryLower) || strings.Contains(summaryLower, queryLower) {
			matched = append(matched, entry)
		}
	}

	// 也匹配普通记忆
	normalEntries, err := r.store.Query(ctx, model.MemoryQuery{
		UserID:   userID,
		Priority: model.MemoryNormal,
		Limit:    100,
	})
	if err == nil {
		for _, entry := range normalEntries {
			contentLower := strings.ToLower(entry.Content)
			summaryLower := strings.ToLower(entry.Summary)
			if strings.Contains(contentLower, queryLower) || strings.Contains(summaryLower, queryLower) {
				matched = append(matched, entry)
			}
		}
	}

	return matched, nil
}

// Ensure fmt is used
var _ = fmt.Sprintf