# -*- coding: utf-8 -*-
import time
import json
import logging
import random
from tenacity import (
    retry,
    stop_after_attempt,
    wait_exponential,
    retry_if_exception_type,
    before_sleep_log
)
from anthropic._exceptions import OverloadedError
from tradingagents.agents.utils.output_filter import fix_common_llm_errors, validate_and_warn

# 設置日誌記錄器
logger = logging.getLogger(__name__)


def create_research_manager(llm, memory):
    """
    建立一個研究管理員（裁判）節點。

    這個節點扮演投資組合經理和辯論主持人的角色。
    其任務是評估看漲和看跌分析師之間的辯論，並做出最終的投資決策
    （與看跌方一致、與看漲方一致，或在有充分理由時選擇持有）。
    它還需要制定一個詳細的投資計畫給交易員。

    Args:
        llm: 用於生成決策和計畫的語言模型。
        memory: 儲存過去情況和反思的記憶體物件。

    Returns:
        function: 一個代表研究管理員節點的函式，可在 langgraph 中使用。
    """

    def research_manager_node(state) -> dict:
        """
        研究管理員節點的執行函式。

        Args:
            state (dict): 當前的圖狀態。

        Returns:
            dict: 更新後的狀態，包含裁判的決策和投資計畫。
        """
        # 從狀態中獲取所需資訊
        investment_debate_state = state["investment_debate_state"]
        history = investment_debate_state.get("history", "")
        
        market_research_report = state["market_report"]
        sentiment_report = state["sentiment_report"]
        news_report = state["news_report"]
        fundamentals_report = state["fundamentals_report"]

        # 定義文本截斷函數以避免超過 token 限制 - 移除截斷邏輯以保留完整報告內容
        # 為每個報告設置合理的字符限制 - 移除，保留完整報告
        
        # 整合當前情況
        curr_situation = f"{market_research_report}\n\n{sentiment_report}\n\n{news_report}\n\n{fundamentals_report}"
        
        # 從記憶體中獲取過去相似情況的經驗
        past_memories = memory.get_memories(curr_situation, n_matches=2)

        # 將過去的經驗格式化為字串
        past_memory_str = ""
        for i, rec in enumerate(past_memories, 1):
            recommendation = rec["recommendation"]
            past_memory_str += recommendation + "\n\n"
        
        # 截斷辯論歷史 - 這是最容易超過限制的部分 - 移除截斷以保留完整內容

        # 建立提示 (prompt)
        prompt = f"""**重要：您必須使用繁體中文（Traditional Chinese）回覆所有內容。**
**嚴格禁止：請勿在回覆中使用任何 emoji 表情符號（如 ✅ ❌ 📊 📈 🚀 等）。**
**請只使用純文字、數字、標點符號和必要的 Unicode 符號（如 ↑ ↓ ★ ●等）。**

【專業身份】
您是投資決策經理，負責評估多空辯論並做出最終投資決策。**您必須保持嚴格中立觀點，公正評估看漲與看跌雙方論據，基於證據做出獨立決策。**

【職責】
1. **評估論證**：客觀權衡看漲與看跌方的論據強度，不偏袒任何一方
2. **做出決策**：基於證據明確判斷買入/賣出/持有，展現獨立判斷
3. **制定計畫**：提供交易員可執行的詳細操作指引
4. **中立裁判**：**作為中立裁判，綜合雙方論點後做出獨立決策，不受任何一方影響**

【可用資訊】
- 過去反思："{past_memory_str}"
- 辯論歷史：{history}

【輸出要求】
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 決策摘要（150字以上）：明確的買入/賣出/持有決策與核心理由
2. 論證評估（200字以上）：公正評估雙方最強論點與分歧點，不偏袒任何一方
3. 決策依據（300字以上）：選擇此立場的關鍵證據與邏輯推理
4. 操作指引（100字以上）：部位規模、目標價位、停損設定等具體參數
5. 風險提示（50字以上）：主要風險與監控重點

**撰寫原則**：
- **嚴格中立**：作為中立裁判，不偏向看漲或看跌任何一方
- **獨立決策**：基於證據與邏輯做出獨立判斷，展現決策自主性
- 決策明確，避免模稜兩可，必須給出清晰立場
- 提供具體量化的操作參數，確保可執行性
- 邏輯清晰，證據充分，說服力強

**結尾提示**：
請在報告最後加上以下結尾：
「---
👔 **本報告為研究經理的投資決策，綜合看漲與看跌雙方論據後做出。建議交易團隊執行前再次確認市場狀況。投資決策需獨立判斷，請謹慎評估。**」

請提供專業且可執行的投資決策報告。"""
        
        # 定義帶重試機制的 LLM 調用函數
        # 基於 Cursor IDE 博客建議的最佳實踐：
        # 1. 使用指數退避策略（exponential backoff）
        # 2. 添加隨機因子（jitter）避免多個客戶端同步重試
        # 3. 增加重試次數和最大延遲時間
        import random
        
        @retry(
            retry=retry_if_exception_type(OverloadedError),
            wait=wait_exponential(multiplier=1, min=2, max=60),  # 增加最大延遲到 60 秒
            stop=stop_after_attempt(5),  # 增加重試次數到 5 次
            before_sleep=before_sleep_log(logger, logging.WARNING)
        )
        def invoke_llm_with_retry(llm_instance, prompt_text):
            """
            調用 LLM 並在遇到 529 錯誤時自動重試。
            
            使用指數退避策略加隨機因子（jitter）：
            - 第 1 次重試：等待 2-4 秒（2 * 2^0 + jitter）
            - 第 2 次重試：等待 4-8 秒（2 * 2^1 + jitter）
            - 第 3 次重試：等待 8-16 秒（2 * 2^2 + jitter）
            - 第 4 次重試：等待 16-32 秒（2 * 2^3 + jitter）
            - 第 5 次重試：等待 32-60 秒（2 * 2^4 + jitter，最大 60 秒）
            
            Args:
                llm_instance: LLM 實例
                prompt_text: 提示文本
            
            Returns:
                LLM 的回應
            
            Raises:
                OverloadedError: 如果 5 次重試後仍然失敗
            """
            # 添加小量隨機延遲（jitter）避免同步重試
            jitter = random.uniform(0, 0.5)
            if jitter > 0:
                time.sleep(jitter)
            
            logger.info("正在調用 Research Manager LLM...")
            return llm_instance.invoke(prompt_text)
        
        # 使用帶重試機制的函數調用 LLM
        response = invoke_llm_with_retry(llm, prompt)
        
        # CRITICAL FIX: Apply output filtering
        response.content = fix_common_llm_errors(response.content)
        validate_and_warn(response.content, "Research_Manager")

        # 更新投資辯論狀態
        new_investment_debate_state = {
            "judge_decision": response.content,
            "history": investment_debate_state.get("history", ""),
            "bear_history": investment_debate_state.get("bear_history", ""),
            "bull_history": investment_debate_state.get("bull_history", ""),
            "current_response": response.content,
            "count": investment_debate_state["count"],
        }

        # 返回更新後的狀態，包括裁判的決策和投資計畫
        return {
            "investment_debate_state": new_investment_debate_state,
            "investment_plan": response.content,
        }

    return research_manager_node