from rest_framework import serializers


class AskRequestSerializer(serializers.Serializer):
    conversationId = serializers.CharField(required=False, allow_null=True, allow_blank=True)
    lessonId = serializers.CharField(required=False, allow_null=True, allow_blank=True)
    chapterId = serializers.CharField(required=False, allow_null=True, allow_blank=True)
    gradeId = serializers.IntegerField(required=False, allow_null=True)
    questionId = serializers.CharField(required=False, allow_null=True, allow_blank=True)
    # metadataِ retrieval برای لایه‌ی RAG (اپ rag): برای زدن به دیتای واقعیِ
    # کتاب‌ها در Qdrant باید subject (مثلاً «علوم تجربی») + gradeId + lessonNumber
    # همگی مطابقِ دادهٔ موجود ارسال بشن؛ اگه نباشن، پاسخ به‌صورتِ تدریسِ عمومی
    # (بدونِ استناد به کتاب) تولید می‌شه. در ادامه‌ی همون مکالمه لازم نیست
    # دوباره فرستاده بشن (روی Conversation ذخیره می‌شن).
    subject = serializers.CharField(required=False, allow_null=True, allow_blank=True)
    # جزءِ «پایه» در نامِ collectionِ Qdrant (مثلاً «ششم»). اگه بیاد مستقیم
    # استفاده می‌شه؛ اگه نه، از روی gradeId و content.Grade.title / نگاشتِ
    # RAG_GRADE_TITLE_OVERRIDES ساخته می‌شه.
    grade = serializers.CharField(required=False, allow_null=True, allow_blank=True)
    lessonNumber = serializers.IntegerField(required=False, allow_null=True)
    # سقفِ طول: کلِ متن به مدلِ پولی می‌رود؛ بی‌سقف، یک درخواستِ صدهزار نویسه‌ای
    # به‌تنهایی هزینه‌ی صدها سوالِ عادی را داشت.
    userQuestion = serializers.CharField(max_length=2000)
    stream = serializers.BooleanField(required=False, default=False)


class UsedChunkSerializer(serializers.Serializer):
    title = serializers.CharField(allow_blank=True)
    summary = serializers.CharField()


class AskResponseSerializer(serializers.Serializer):
    conversationId = serializers.CharField()
    messageId = serializers.CharField()
    answer = serializers.CharField()
    suggestedFollowUps = serializers.ListField(child=serializers.CharField())
    remainingQuota = serializers.IntegerField()
    # تکه‌های درسیِ بازیابی‌شده از Qdrant که پاسخ بر پایه‌شون ساخته شده؛
    # خالی یعنی retrieval انجام نشده (نبودِ subject/lessonNumber یا خاموش‌بودنِ RAG).
    usedChunks = UsedChunkSerializer(many=True, required=False, default=list)
    # فقط وقتی DEBUG=True: از کدام collection/فصل چانک‌ها برداشته شد (بازبینیِ داخلی).
    retrievalDebug = serializers.DictField(required=False)


class MessageSerializer(serializers.Serializer):
    messageId = serializers.CharField()
    role = serializers.CharField()
    text = serializers.CharField()


class ConversationMessagesResponseSerializer(serializers.Serializer):
    conversationId = serializers.CharField()
    lessonId = serializers.CharField(allow_null=True)
    messages = MessageSerializer(many=True)


class FeedbackRequestSerializer(serializers.Serializer):
    isHelpful = serializers.BooleanField()
    # اختیاری: «چرا». تنها چیزی که از خودِ 👍/👎 درنمی‌آید و برای اصلاحِ
    # پرامپت واقعاً به کار می‌آید.
    reason = serializers.CharField(max_length=300, required=False, allow_blank=True)


class FeedbackResponseSerializer(serializers.Serializer):
    success = serializers.BooleanField()