import uuid

from django.db import models


class LessonChunk(models.Model):
    """
    یک تکه‌ی درسیِ خلاصه‌شده که هم در همین جدول (منبعِ حقیقت) و هم به‌صورتِ
    یک نقطه در Qdrant (فقط index، قابلِ بازسازی) ذخیره می‌شه.

    برداشتِ پاک‌سازی‌شده از subjects.LessonChunk مخزنِ Rag_backend، با این
    تفاوت‌ها طبق معماریِ این پروژه:
    - هیچ FK بین‌اپی نداره؛ lesson_id فقط یک ارجاعِ سبک به content.Lesson است
      (دقیقاً مثل Conversation.lesson_id در ai_tutor).
    - subject/grade به‌صورتِ رشته/عدد نگه‌داری می‌شن چون مدلِ content ما مدلِ
      Subject نداره و نامِ collectionِ تیمِ دیگه بر پایه‌ی همین رشته‌هاست.
    - embedding_vector هم ذخیره می‌شه تا collectionِ Qdrant بدونِ فراخوانیِ
      دوباره‌ی embedding قابلِ بازسازی باشه.
    """

    # ارجاع سبک به content.Lesson. برای ingestِ کتابِ کامل خالی می‌ماند: آن
    # مسیر فصل‌به‌فصل کار می‌کند و هنوز رکوردِ Lessonی برایش وجود ندارد.
    lesson_id = models.IntegerField(db_index=True, null=True, blank=True)
    grade_id = models.IntegerField(null=True, blank=True)   # ارجاع سبک به content.Grade
    subject = models.CharField(max_length=100)
    lesson_number = models.IntegerField()
    chapter = models.IntegerField(null=True, blank=True)

    # عنوانِ کاملِ فصل، دقیقاً همون رشته‌ای که در payloadِ تیمِ دیگه هست
    # («فصل ۲: کسر»). retrieval برای ریاضی روی همین مقدار فیلتر می‌کنه، پس
    # بدونِ این هر چیزی که ingest کنیم در جستجو پیدا نمی‌شه.
    chapter_title = models.CharField(max_length=255, blank=True)
    grade_title = models.CharField(max_length=100, blank=True)

    order = models.PositiveIntegerField()
    title = models.CharField(max_length=255)
    original_text = models.TextField()
    summary = models.TextField()
    embedding_vector = models.JSONField(null=True, blank=True)

    # --- ساختارِ استخراج‌شده از کتاب (همون قراردادِ ریاضیِ تیمِ دیگه) -------
    # vision یک‌بار و با هزینه این‌ها رو درمی‌آره؛ اگه فقط متنِ صاف‌شده رو
    # نگه داریم، برای هر بازسازی باید دوباره همون هزینه رو بدیم. ضمناً
    # problem/solution ورودیِ مستقیمِ ساختِ سؤال‌های مسیرِ درس‌اند.
    problem_type = models.CharField(max_length=255, blank=True)
    keywords = models.JSONField(default=list, blank=True)
    general_solution = models.TextField(blank=True)
    problem = models.TextField(blank=True)
    solution = models.TextField(blank=True)

    # شماره‌ی صفحه‌ی PDF که این chunk از آن درآمده. ingestِ کتاب با همین فیلد
    # می‌فهمد کدام صفحه‌ها قبلاً پردازش شده‌اند و از سر می‌گیرد؛ بدونش هر
    # اجرای دوباره پس از قطعی، نقاطِ تکراری در Qdrant می‌ساخت.
    source_page = models.PositiveIntegerField(null=True, blank=True, db_index=True)

    # --- راستی‌آزماییِ راه‌حل ------------------------------------------
    # vision گاهی راه‌حلِ غلط از کتاب درمی‌آورد: در پایه نهم ۱۷ مورد پیدا شد،
    # مثلِ «۱۰۸×۱۰¹³» به‌جای «۱٫۰۸×۱۰¹⁴» یا دستگاهی بی‌جواب که جوابِ (۸,۵)
    # گرفته بود. این خطا در بازیابی دیده نمی‌شود ولی هر مصرف‌کننده‌ای که به
    # `solution` اعتماد کند را خراب می‌کند — از ساختِ سؤال تا خودِ دستیار.
    #
    # `solution` عمداً هیچ‌وقت بازنویسی نمی‌شود: کتاب باید کتاب بماند. اگر
    # جوابِ مدل را جایش می‌گذاشتیم و مدل اشتباه می‌کرد، منبعِ حقیقت بی‌صدا
    # خراب می‌شد و راهِ برگشتی نبود. پس فقط برچسب می‌خورد و جوابِ مدل جدا
    # ذخیره می‌شود تا آدم بتواند داوری کند.
    # نتیجه سه‌حالته است، نه بله/خیر. پاسِ اول با بولی اجرا شد و ۱۲٫۵٪ خطا
    # گزارش کرد؛ خواندنِ دستیِ نمونه‌ها نشان داد نرخِ واقعی ~۴٪ است و بقیه نویز:
    # ۳۵٪ مسئله‌هایی که به شکل یا جدولِ کتاب ارجاع می‌دهند و اصلاً قابلِ قضاوت
    # نیستند، و ۲۴٪ موردی که «۳/۱۰۴» را کسرِ ۳÷۱۰۴ خوانده بود نه عددِ اعشاریِ
    # ۳٫۱۰۴. با دو حالت، «نمی‌دانم» ناچار به «غلط است» ترجمه می‌شد.
    VERDICT_AGREES = 'agrees'
    VERDICT_DISAGREES = 'disagrees'
    VERDICT_UNJUDGEABLE = 'unjudgeable'
    VERDICT_CHOICES = [
        (VERDICT_AGREES, 'راه‌حلِ کتاب درست است'),
        (VERDICT_DISAGREES, 'راه‌حلِ کتاب غلط است'),
        (VERDICT_UNJUDGEABLE, 'بدونِ شکل/جدول قابلِ قضاوت نیست'),
    ]
    solution_checked_at = models.DateTimeField(null=True, blank=True)
    solution_verdict = models.CharField(max_length=12, blank=True,
                                        choices=VERDICT_CHOICES, db_index=True)
    checked_answer = models.TextField(blank=True)
    check_note = models.CharField(max_length=300, blank=True)
    checked_by = models.CharField(max_length=60, blank=True)

    collection = models.CharField(max_length=200, db_index=True)
    qdrant_point_id = models.UUIDField(default=uuid.uuid4, editable=False)

    created_at = models.DateTimeField(auto_now_add=True)

    class Meta:
        ordering = ['lesson_id', 'order']
        constraints = [
            models.UniqueConstraint(
                fields=['collection', 'qdrant_point_id'],
                name='uniq_lesson_chunk_qdrant_point',
            ),
        ]
        indexes = [
            models.Index(fields=['subject', 'lesson_number']),
            models.Index(fields=['collection', 'chapter_title', 'source_page']),
        ]

    def __str__(self):
        return f"chunk-lesson{self.lesson_id}-{self.order} ({self.subject})"


class LessonChunkImage(models.Model):
    """تصویرِ پیوست به یک chunk (برای محتوای چندوجهیِ آینده)."""

    chunk = models.ForeignKey(LessonChunk, on_delete=models.CASCADE, related_name='images')
    img_url = models.TextField()
    description = models.TextField(blank=True)
    created_at = models.DateTimeField(auto_now_add=True)

    def __str__(self):
        return f"image-chunk{self.chunk_id}"


class IngestedPage(models.Model):
    """
    نشانه‌ی «این صفحه‌ی کتاب پردازش شد».

    چرا جدا از LessonChunk: صفحه‌هایی که هیچ مسئله‌ای ندارند (جلد، فهرست،
    سخنی با معلم، صفحه‌ی جداکننده‌ی فصل) هیچ chunkی نمی‌سازند. اگر ازسرگیری
    فقط به chunkها نگاه کند، این صفحه‌ها در هر اجرای دوباره یک فراخوانیِ
    vision دیگر خرج می‌کنند و هیچ‌وقت هم «تمام» نمی‌شوند.
    """

    collection = models.CharField(max_length=200, db_index=True)
    chapter_title = models.CharField(max_length=255)
    page = models.PositiveIntegerField()
    chunk_count = models.PositiveSmallIntegerField(default=0)
    created_at = models.DateTimeField(auto_now_add=True)

    class Meta:
        constraints = [
            models.UniqueConstraint(
                fields=['collection', 'page'],
                name='uniq_ingested_page_per_collection',
            ),
        ]
        ordering = ['collection', 'page']

    def __str__(self):
        return f"{self.collection} p{self.page} ({self.chunk_count} chunk)"