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.
    """

    lesson_id = models.IntegerField(db_index=True)          # ارجاع سبک به content.Lesson
    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)

    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']),
        ]

    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}"