"""
Suíte de Testes E2E e de Integração Completa para Análise de Texto e Classificação de Inerência (QA Sênior).

Valida todo o funil de análise de texto:
1. Sucesso no NLP Determinístico (Tier 1 DIRECT_INHERENT com bypass de LLM).
2. Insucesso / Rejeição no NLP (Tier 1 NOT_RELATED por âncoras negativas e homônimos).
3. Ambiguidade / Limiar detectada no NLP e resolvida com sucesso no LLM (Tier 3 Upgrade).
4. Ambiguidade confirmada pelo LLM como TANGENTIAL (Tier 3 Confirmation).
5. Insucesso / Falha de API de LLM com degradação graciosa para Tier 1.
6. Cobertura Multilíngue E2E nos 6 idiomas (PT, EN, ES, DE, IT, FR).
7. Execução E2E via CLI subprocess com contratos de entrada, saída e flags.
8. Chamada real ao vivo a provedores de LLM (OpenAI/Gemini) quando credenciais estiverem disponíveis.
"""

from __future__ import annotations

import json
import subprocess
import sys
from pathlib import Path

import pytest

from src.tools.adapters.llm import LLMFallbackAdapter
from src.tools.classifier import InherenceClassifier
from src.tools.models import (
    ClassificationResult,
    DecisionCategory,
    ECPSnapshot,
    RelatedEntity,
)

CLASSIFY_CLI = Path(__file__).parent.parent.parent / "classify.py"


# ==============================================================================
# Fixtures e Helpers para o Funil de Teste E2E
# ==============================================================================


@pytest.fixture
def ecp_river_plate() -> ECPSnapshot:
    """Fixture ECP oficial para o Club Atlético River Plate."""
    return ECPSnapshot(
        target_entity_id="ecp_river_plate",
        target_name="Club Atlético River Plate",
        aliases=[
            "Club Atlético River Plate",
            "River Plate",
            "River",
            "El Millonario",
            "La Banda",
            "CARP",
        ],
        domain="Futebol / Esportes",
        anchors=[
            "fútbol",
            "Copa Libertadores",
            "Libertadores",
            "Copa Sudamericana",
            "Sudamericana",
            "Monumental",
            "Estadio Monumental",
            "Eduardo Coudet",
            "Coudet",
            "Nicolás Otamendi",
            "Otamendi",
            "Rafael Santos Borré",
        ],
        negative_anchors=[
            "River Plate de Montevideo",
            "River Plate de Asunción",
            "River de Piauí",
            "Rio da Prata",
            "Bacia do Rio da Prata",
        ],
        related_entities=[
            RelatedEntity(
                entity_id="estadio_monumental",
                name="Estadio Mâs Monumental",
                relation_type="HOME_VENUE_OF",
                weight=0.95,
                aliases=["Monumental", "El Monumental"],
            ),
            RelatedEntity(
                entity_id="copa_sudamericana",
                name="Copa Sudamericana",
                relation_type="COMPETES_IN",
                weight=0.85,
                aliases=["Sudamericana"],
            ),
        ],
    )


# ==============================================================================
# 1. Funil de Sucesso NLP Determinístico (Tier 1)
# ==============================================================================


def test_funnel_nlp_deterministic_success(ecp_river_plate: ECPSnapshot):
    """
    Cenário 1: Artigo com alta densidade de âncoras do River Plate.
    Oráculo: Decisão DIRECT_INHERENT, confiança alta (>=0.95), LLM não é chamado.
    """
    content = """
    # River Plate vence com autoridade na Copa Sudamericana
    Em noite histórica no Estadio Monumental, o River dominou a partida sob o comando de Eduardo Coudet.
    Otamendi e Borré marcaram os gols que garantiram a classificação na Sudamericana.
    """
    llm_called = {"status": False}

    def mock_llm(prompt: str) -> str:
        llm_called["status"] = True
        return json.dumps({"decision": "DIRECT_INHERENT", "confidence": 0.99})

    adapter = LLMFallbackAdapter(provider_fn=mock_llm)
    classifier = InherenceClassifier(enable_llm=True, llm_adapter=adapter)

    result = classifier.classify(ecp_river_plate, content)

    assert result.decision == DecisionCategory.DIRECT_INHERENT
    assert result.is_inherent is True
    assert result.confidence >= 0.95
    assert "River Plate" in result.matched_anchors or "River" in result.matched_anchors
    assert len(result.graph_matches) >= 1
    # Otimização de custo: LLM NÃO deve ser chamado em casos determinísticos claros
    assert llm_called["status"] is False


# ==============================================================================
# 2. Funil de Insucesso / Rejeição NLP (Tier 1 Negativas e Homônimos)
# ==============================================================================


def test_funnel_nlp_deterministic_rejection_homonym(ecp_river_plate: ECPSnapshot):
    """
    Cenário 2: Artigo sobre a Bacia do Rio da Prata ou clube homônimo do Uruguai.
    Oráculo: Decisão NOT_RELATED, is_inherent=False, âncoras negativas detectadas.
    """
    content = """
    # Expedição ambiental navega pela Bacia do Rio da Prata
    Pesquisadores mapearam a biodiversidade fluvial e os sedimentos do Rio da Prata durante o verão.
    """
    classifier = InherenceClassifier(enable_llm=False)
    result = classifier.classify(ecp_river_plate, content)

    assert result.decision == DecisionCategory.NOT_RELATED
    assert result.is_inherent is False
    assert any("Rio da Prata" in neg for neg in result.negative_matches)
    assert "Negative anchor" in result.rationale


# ==============================================================================
# 3. Funil de Ambiguidade NLP -> Resolução com Sucesso no LLM (Tier 3)
# ==============================================================================


def test_funnel_nlp_ambiguity_resolved_by_llm_upgrade(ecp_river_plate: ECPSnapshot):
    """
    Cenário 3: Menção isolada do clube ('River') em contexto com poucas âncoras explícitas.
    Tier 1 preliminar: TANGENTIAL (baixa densidade).
    LLM Fallback: Analisa o contexto profundo e eleva para DIRECT_INHERENT.
    """
    ambiguous_content = """
    # Bastidores do mercado sul-americano
    A diretoria do River finalizou os últimos detalhes contratuais para a renovação de jovens promessas.
    """
    mock_llm_response = json.dumps(
        {
            "analysis_summary": "O artigo trata da gestão de elenco e renovações contratuais do clube River Plate.",
            "decision": "DIRECT_INHERENT",
            "confidence": 0.94,
            "rationale": "A análise contextual profunda comprova que a matéria é focada na administração do River Plate.",
        }
    )

    adapter = LLMFallbackAdapter(provider_fn=lambda prompt: mock_llm_response)
    classifier = InherenceClassifier(enable_llm=True, llm_adapter=adapter)

    result = classifier.classify(ecp_river_plate, ambiguous_content)

    assert result.decision == DecisionCategory.DIRECT_INHERENT
    assert result.is_inherent is True
    assert result.confidence == 0.94
    assert "[Tier 3 LLM]" in result.rationale
    assert "[Tier 3 LLM Override applied]" in result.warnings


# ==============================================================================
# 4. Funil de Ambiguidade NLP -> Confirmação de Tangencial no LLM
# ==============================================================================


def test_funnel_nlp_ambiguity_confirmed_tangential_by_llm(ecp_river_plate: ECPSnapshot):
    """
    Cenário 4: Menção metafórica ou turística a um local próximo.
    Tier 1 preliminar: TANGENTIAL.
    LLM Fallback: Confirma que é meramente periférico/ilustrativo.
    """
    tangential_content = """
    # Melhores restaurantes do bairro de Núñez em Buenos Aires
    Ao visitar a capital portenha, próximo de onde fica o River, você encontra excelentes opções gastronômicas.
    """
    mock_llm_response = json.dumps(
        {
            "analysis_summary": "Guia gastronômico sobre o bairro de Núñez com citação geográfica casual ao clube.",
            "decision": "TANGENTIAL",
            "confidence": 0.96,
            "rationale": "A entidade é usada apenas como ponto de referência geográfica em um artigo sobre restaurantes.",
        }
    )

    adapter = LLMFallbackAdapter(provider_fn=lambda prompt: mock_llm_response)
    classifier = InherenceClassifier(enable_llm=True, llm_adapter=adapter)

    result = classifier.classify(ecp_river_plate, tangential_content)

    assert result.decision == DecisionCategory.TANGENTIAL
    assert result.is_inherent is False
    assert result.confidence == 0.96
    assert "[Tier 3 LLM]" in result.rationale


# ==============================================================================
# 5. Funil de Insucesso / Degradação Graciosa em Falha do LLM
# ==============================================================================


def test_funnel_llm_failure_graceful_degradation(ecp_river_plate: ECPSnapshot):
    """
    Cenário 5: LLM configurado, caso ambíguo, mas a API externa sofre timeout/500.
    Oráculo: Mantém o resultado do Tier 1 determinístico com warning detalhado e sem quebrar.
    """

    def broken_llm(prompt: str) -> str:
        raise TimeoutError("Conexão com serviço de LLM excedeu 30 segundos.")

    adapter = LLMFallbackAdapter(provider_fn=broken_llm)
    classifier = InherenceClassifier(enable_llm=True, llm_adapter=adapter)

    content = "O River esteve presente no evento de inauguração da praça."
    result = classifier.classify(ecp_river_plate, content)

    # Mantém o Tier 1 determinístico
    assert result.decision == DecisionCategory.TANGENTIAL
    assert result.is_inherent is False
    assert any("LLM fallback failed" in w for w in result.warnings)


# ==============================================================================
# 6. Cobertura Multilíngue nos 6 Idiomas (PT, EN, ES, DE, IT, FR)
# ==============================================================================


@pytest.mark.parametrize(
    "lang_code,content,expected_lang",
    [
        ("pt", "# Petrobras anuncia perfuração no pré-sal com tecnologia nacional.", "pt"),
        ("en", "# Apple unveils new generative AI features for upcoming devices.", "en"),
        (
            "es",
            "# River Plate prepara su viaje a Bogotá para disputar el torneo continental.",
            "es",
        ),
        (
            "de",
            "# Volkswagen investiert Milliarden in neue Batterie-Fabriken in Deutschland.",
            "de",
        ),
        ("it", "# Ferrari conquista la pole position nel Gran Premio di Monza.", "it"),
        (
            "fr",
            "# L'entreprise TotalEnergies accélère ses investissements solaires en France.",
            "fr",
        ),
    ],
)
def test_funnel_multilingual_language_detection(
    lang_code: str, content: str, expected_lang: str, ecp_river_plate: ECPSnapshot
):
    """Garante a identificação precisa de idioma e integridade nos 6 idiomas suportados."""
    classifier = InherenceClassifier(enable_llm=False)
    result = classifier.classify(ecp_river_plate, content)
    assert result.detected_language == expected_lang


# ==============================================================================
# 7. Execução E2E via CLI Subprocess
# ==============================================================================


def test_funnel_cli_subprocess_end_to_end(tmp_path: Path):
    """Valida o contrato CLI completo classify.py com saída em arquivo JSON e flags ativas."""
    ecp_path = tmp_path / "ecp.json"
    ecp_path.write_text(
        json.dumps(
            {
                "target_entity_id": "ecp_test_e2e",
                "target_name": "Clube Teste",
                "aliases": ["Clube Teste", "Clube"],
                "domain": "Esportes",
                "anchors": ["campeonato", "vitória", "torneio"],
            }
        ),
        encoding="utf-8",
    )
    doc_path = tmp_path / "artigo.md"
    doc_path.write_text(
        "# Clube Teste comemora vitória histórica no campeonato\n\nEquipe foi campeã do torneio.",
        encoding="utf-8",
    )
    out_path = tmp_path / "resultado.json"

    res = subprocess.run(
        [
            sys.executable,
            str(CLASSIFY_CLI),
            "--ecp",
            str(ecp_path),
            "--content",
            str(doc_path),
            "--output",
            str(out_path),
            "--enable-llm",
        ],
        capture_output=True,
        text=True,
    )

    assert res.returncode == 0, f"Erro na CLI: {res.stderr}"
    assert out_path.exists()

    payload = json.loads(out_path.read_text(encoding="utf-8"))
    assert payload["decision"] == "DIRECT_INHERENT"
    assert payload["is_inherent"] is True
    assert payload["confidence"] >= 0.85
    assert isinstance(payload["matched_anchors"], list)
    assert isinstance(payload["evidence"], list)


# ==============================================================================
# 8. Teste Live Opt-In com API Real (OpenAI / Gemini) se .env Estiver Presente
# ==============================================================================


def test_funnel_live_api_execution_if_configured():
    """
    Executa chamada ao vivo contra OpenAI ou Gemini caso OPENAI_API_KEY ou GEMINI_API_KEY
    esteja configurada no ambiente ou no arquivo .env.
    """
    adapter = LLMFallbackAdapter()
    if not (adapter.openai_api_key or adapter.gemini_api_key):
        pytest.skip(
            "Chaves de API reais (OPENAI_API_KEY ou GEMINI_API_KEY) não configuradas no .env"
        )

    ecp = ECPSnapshot(
        target_entity_id="ecp_live_test",
        target_name="Club Atlético River Plate",
        aliases=["River Plate", "River"],
        domain="Futebol",
        anchors=["Monumental", "Libertadores"],
    )
    initial_res = ClassificationResult(
        decision=DecisionCategory.TANGENTIAL,
        is_inherent=False,
        confidence=0.40,
        detected_language="es",
        matched_anchors=["River"],
        negative_matches=[],
        graph_matches=[],
        evidence=["River"],
        rationale="Passing mention detected by Tier 1.",
        warnings=[],
    )

    # Texto de teste para a API ao vivo
    content = "O River Plate empatou em 1 a 1 em Bogotá com gols de Otamendi na Copa Sul-Americana."

    refined = adapter.disambiguate(ecp, content, initial_res)
    if refined is None and initial_res.warnings:
        pytest.skip(f"Live API unavailable or blocked: {initial_res.warnings}")

    assert refined is not None
    assert refined.decision in [
        DecisionCategory.DIRECT_INHERENT,
        DecisionCategory.CONTEXTUAL_INHERENT,
    ]
    assert refined.is_inherent is True
    assert "[Tier 3 LLM]" in refined.rationale