"""LangGraph implementation of the backend-neutral chat contract（作业 2）。

实现 ``ChatBackend`` Protocol，把图执行结果翻译为公共契约：
- ``complete()`` 返回 ``ChatResult``，``content`` 保留
  ``<state>XXXX</state>`` 前缀（API 层负责解析）；
- ``stream()`` 产生 ``TextDelta`` / ``FormUpdate``；初期允许把固定完整答案
  切成若干片段，真实增量输出在作业 8 接入。

通过 ``build_graph()`` 编译的图构造；会话用
``configurable.thread_id = chat_input.session_id`` 绑定。

对应测试：test/backends/test_langgraph_backend.py
"""

from collections.abc import AsyncIterator

from ..agent.graph import GraphDeps, build_graph, workflow_fake_llm
from ..agent.llm import LLMAuthError, LLMRateLimitError
from .chat import (
    ChatBackend,
    ChatBackendAuthenticationError,
    ChatBackendRateLimitError,
    ChatInput,
    ChatResult,
    ChatStreamEvent,
    FormUpdate,
    TextDelta,
)


class LangGraphBackend(ChatBackend):
    """Adapt a compiled LangGraph to the neutral chat contract."""

    def __init__(self, graph=None, llm=None):
        """参数:
        graph: 编译后的图；缺省调用 ``build_graph()``。
        llm: LLM 服务（运行时依赖）；缺省为离线 workflow fake。
            生产环境由 lifespan 注入 ``build_llm_service()`` 的实例。
        """
        self._graph = graph if graph is not None else build_graph()
        self._llm = llm if llm is not None else workflow_fake_llm()

    async def complete(self, chat_input: ChatInput) -> ChatResult:
        """非流式：执行一轮图并翻译结果。

        TODO(作业 2): 实现该方法。要求：
        - 用 ``ainvoke`` 执行图，``thread_id`` 取
          ``chat_input.session_id``；
        - 初始 state 至少包含 ``session_id``、``input_text``；
        - 返回 ``ChatResult(content=<响应文本（含 state 前缀）>,
          status_code=None, form_update={})``；
        - 本阶段不处理 ``need_form_update`` 的真实表单差量
          （作业 6 起实现）。
        """
        result = await self._complete_turn(chat_input)
        return ChatResult(
          content = result["response_text"],
          status_code = None,
          form_update = result.get("turn_patch") or {}
        )

    async def _complete_turn(self, chat_input: ChatInput) -> dict:
        """执行一轮图，把 LLM 层错误翻译为后端中立错误。

        错误码等价（对照 FastGPT 后端）：
        LLMAuthError -> ChatBackendAuthenticationError（API 层 401）；
        LLMRateLimitError -> ChatBackendRateLimitError（API 层 429）。
        """
        graph_input: dict = {
            "session_id": chat_input.session_id,
            "input_text": chat_input.text,
            "client_mode": chat_input.client_mode,
        }
        # 作业 6：应用服务注入的最新业务字段覆盖本轮输入，
        # 使 set_info 写入后本轮 chat 立即可见（输入覆盖 checkpoint 同键）。
        if chat_input.injected_fields:
            graph_input.update(chat_input.injected_fields)
        try:
            return await self._graph.ainvoke(
                graph_input,
                config={"configurable": {"thread_id": chat_input.session_id}},
                context=GraphDeps(llm=self._llm),
            )
        except LLMAuthError as exc:
            raise ChatBackendAuthenticationError(str(exc)) from exc
        except LLMRateLimitError as exc:
            raise ChatBackendRateLimitError(str(exc)) from exc

    async def stream(self, chat_input: ChatInput) -> AsyncIterator[ChatStreamEvent]:
        """流式：产生中立流事件。

        TODO(作业 2): 实现该方法。最低要求：
        - 先产出含完整 ``<state>...</state>`` 前缀的 ``TextDelta``，
          再产出正文片段（保证 API 层的 stage 先于正文约束）；
        - 本阶段允许“完整答案切片段”，提交说明须标注
          “尚未接入模型增量输出”（作业 8 改为真实增量）。
        """
        result = await self.complete(chat_input)
        prefix, sep, body = result.content.partition("</state>")
        if not sep:
            yield TextDelta(result.content)
            return
        yield TextDelta(prefix + "</state>")
        if result.form_update:
            yield FormUpdate(result.form_update)
        if body:
            yield TextDelta(body)