import json
import difflib
import re
from services.ai_verifier import ask_ollama
from services.knowledge_base import load_knowledge_base


def find_ai_identity_suggestions(unexplained_df, raw_staff_df):
    """
    ⭐️ Теневой ИИ-арбитраж: ищет потенциальные опечатки операторов СКУД
    среди нераспознанных сотрудников и формирует рекомендации для администратора.
    """
    if unexplained_df.empty or raw_staff_df is None or raw_staff_df.empty:
        return []

    staff_fios = raw_staff_df['fio_clean'].dropna().unique().tolist() if 'fio_clean' in raw_staff_df.columns else []
    unexp_fios = unexplained_df['fio_clean'].dropna().unique().tolist() if 'fio_clean' in unexplained_df.columns else []

    suggestions = []
    for scud_fio in unexp_fios:
        f_parts = scud_fio.split()
        if not f_parts:
            continue
        surname = f_parts[0].lower()

        for staff_fio in staff_fios:
            if staff_fio.lower().startswith(surname[:4]):
                ratio = difflib.SequenceMatcher(None, scud_fio.lower(), staff_fio.lower()).ratio()
                if 0.75 <= ratio < 1.0:
                    suggestions.append({
                        "scud_fio": scud_fio,
                        "suggested_zup_fio": staff_fio,
                        "confidence": round(ratio, 2)
                    })
                    break

    return suggestions


def generate_markdown_report(merged_df, absent_explained, absent_unexplained, scud_present_but_absent_in_1c, anomalies_list=None, raw_scud_df=None, raw_staff_df=None, raw_absent_df=None, date_str="05.08.2026"):
    kb = load_knowledge_base()
    custom_rules = kb.get("rules", [])
    custom_rules_str = "\n".join([f"- {r}" for r in custom_rules]) if custom_rules else "Специфических правил компании пока нет."

    total_staff = len(merged_df)
    present_office_cnt = len(merged_df[merged_df['Пришел'] == True])
    
    reason_series = merged_df['Вид_отсутствия'].astype(str).str.lower()
    is_remote_reason = reason_series.str.contains('удален|дистанцион', regex=True, na=False)
    remote_home_cnt = len(merged_df[(merged_df['Пришел'] == False) & is_remote_reason])

    explained_cnt = len(merged_df[(merged_df['Пришел'] == False) & (merged_df['Вид_отсутствия'].notna()) & (~is_remote_reason) & (~merged_df['Вид_отсутствия'].astype(str).str.startswith('Исключение'))])
    unexplained_cnt = len(absent_unexplained)
    anomalies_cnt = len(anomalies_list) if anomalies_list else 0

    # ⭐️ Теневые подсказки ИИ
    ai_suggestions = find_ai_identity_suggestions(absent_unexplained, raw_staff_df)

    anomalies_formatted = []
    if anomalies_list:
        for idx, a in enumerate(anomalies_list, 1):
            anomalies_formatted.append(f"{idx}. {a.get('fio', 'Сотрудник')}: {a.get('description', '')}")
    anomalies_text_block = "\n".join(anomalies_formatted) if anomalies_formatted else "Аномалий не обнаружено."

    unexplained_list = []
    if not absent_unexplained.empty:
        for idx, r in absent_unexplained.iterrows():
            fio = r.get('Сотрудник', r.get('fio_clean', ''))
            dept_scud = str(r.get('department_scud', '')).strip()
            dept_1c = str(r.get('Подразделение', '')).strip()
            dept = dept_scud if (dept_scud and dept_scud.lower() != 'nan' and dept_scud != '—') else dept_1c
            if not dept:
                dept = '—'
            pos = r.get('Должность', '—')
            unexplained_list.append(f"{fio} — {dept}, {pos}")

    prompt = f"""
Ты — старший аудитор кадровой безопасности и контроллинга СКУД. 
Сформируй итоговую сводку кадрового контроля на {date_str}.

📌 БАЗА ЗНАНИЙ И ПРАВИЛА ПРЕДПРИЯТИЯ:
{custom_rules_str}

🚨 ВХОДНЫЕ МЕТРИКИ:
- Всего сотрудников: {total_staff}
- Итого на работе (в офисе): {present_office_cnt}
- В том числе на удаленной работе: {remote_home_cnt}
- Официально отсутствуют: {explained_cnt}
- Неизвестно (истинно неотмеченные): {unexplained_cnt}
- Выявлено аномалий/конфликтов реестров: {anomalies_cnt}

---
🚨 ПОДТВЕРЖДЁННЫЕ АНОМАЛИИ ({anomalies_cnt} шт):
{anomalies_text_block}

---
💡 ПРЕДЛОЖЕНИЯ ИИ ПО СОПОСТАВЛЕНИЮ ФИО ({len(ai_suggestions)} шт):
{json.dumps(ai_suggestions, ensure_ascii=False, indent=2)}

---
📊 СПИСОК НЕИЗВЕСТНЫХ СЛУЧАЕВ ({unexplained_cnt} чел):
{json.dumps(unexplained_list, ensure_ascii=False, indent=2)}

СТРОГИЕ ИНСТРУКЦИИ:
1. КАТЕГОРИЧЕСКИ ЗАПРЕЩЕНО выводить JSON! В блоке "Выявленные ИИ аномалии" выведи читаемый нумерованный список строк ровно так, как передано в разделе "ПОДТВЕРЖДЁННЫЕ АНОМАЛИИ".
2. В разделе "Подозрения на ошибки сопоставления ФИО" выведи рекомендации по сопоставлению из массива "ПРЕДЛОЖЕНИЯ ИИ". Если массив пуст — напиши "Ошибок сопоставления ФИО не обнаружено."
3. В разделе "Неизвестные случаи" выведи нумерованный список всех {unexplained_cnt} человек.
4. В разделе "Рекомендации" дай 2-3 системные рекомендации.

СТРОГИЙ ШАБЛОН ОТВЕТА:

**Сводка контроллинга СКУД и 1С:ЗУП на {date_str}**

- Всего офисных сотрудников: **{total_staff}**
- Итого на работе (в офисе): **{present_office_cnt}**
- В том числе на удаленной работе: **{remote_home_cnt}**
- Официально отсутствуют: **{explained_cnt}**
- Неизвестно (истинно неотмеченные): **{unexplained_cnt}** чел.
- Выявлено аномалий/конфликтов реестров: **{anomalies_cnt}** шт.

#### 🚨 Выявленные ИИ аномалии и конфликты источников ({anomalies_cnt}):
(Список аномалий или 'Аномалий не обнаружено.')

#### 💡 Подозрения на ошибки сопоставления ФИО и предложения ИИ:
(Список предложений сопоставления или 'Ошибок сопоставления ФИО не обнаружено.')

#### Неизвестные случаи: {unexplained_cnt}
(Нумерованный список всех {unexplained_cnt} человек)

### Точечные рекомендации:
(2-3 системные рекомендации)
"""

    sys_prompt = "Ты — русскоязычный кадровый аудитор. Пиши СТРОГО на русском языке форматированным текстом. Запрещено выводить фигурные скобки JSON."
    return ask_ollama(prompt, system_prompt=sys_prompt)