from datetime import datetime
from enum import Enum
from dataclasses import dataclass, field
from typing import List, Dict, Optional, Any


@dataclass
class UserInfo:
    """用户基本信息"""
    user_id: str  # 用户账户ID：当前用户唯一标识符
    attributes: Dict[str, Any]  # 用户账户属性：个人相关信息等


# ==========================================================================================================
@dataclass
class SessionId:
    id: str
    items: List[str]

@dataclass
class DialogType(str, Enum):
    IN_PROGRESS = "应答中"
    OPENING = "开头"
    CLOSING = "结尾"
    COMPLETION = "补全"
    FEEDBACK = "反馈"
    SCRIPTING = "话术进行中"


@dataclass
class DialogInfo:
    """当前对话信息"""
    dialog_id: str           # 对话ID：当前对话唯一标识符（一问一答）
    session_id: SessionId    # 会话ID：咨询开始到咨询结束的一段完整交互的唯一标识符，包含多个对话ID
    terminal_type: str       # 终端类型：交互时用的客户端类型，如windows、Android等
    bot_code: str            # 机器人Code：当前对话机器人的唯一标识符
    dialog_type: DialogType  # 对话类型：应答中、开头、结尾、补全、反馈、话术进行中
    timestamp: datetime      # 时间戳：一问一答的时间


# ==========================================================================================================
@dataclass
class NLUResult:
    """基础识别结果单元"""
    label: str    # 标签名称
    score: float  # 概率分数


@dataclass
class FAQResult:
    """FAQ匹配结果"""
    question: str                # 匹配到的问题
    similarity_score: float      # 相似度得分
    classification_score: float  # 分类得分


class QuestionType(str, Enum):
    WHEN = "when"
    WHERE = "where"
    WHO = "who"
    WHAT = "what"
    WHY = "why"
    HOW = "how"
    HOW_MUCH = "how much"


@dataclass
class Tokens:
    """分词结果单元"""
    text: List[str]  # 分词文本
    pos: List[str]  # 词性标注
    entity: Optional[str] = None    # 实体类型


class EmotionCategory(str, Enum):
    POSITIVE = "正面"
    NEUTRAL = "中性"
    NEGATIVE = "负面"


class DetailedEmotion(str, Enum):
    HAPPY = "开心"
    EXCITED = "兴奋"
    ANGRY = "愤怒"
    SAD = "悲伤"
    NEUTRAL = "客观描述"


@dataclass
class InheritedInfo:
    """继承信息容器"""
    business_entity: Optional[str] = None    # 业务实体词
    intent_keyword: Optional[str] = None     # 意图词
    domain: Optional[str] = None             # 领域
    intent: Optional[str] = None             # 意图

    def get_priority_info(self):
        """按优先级获取继承信息"""
        return next(filter(None, [self.business_entity, self.intent_keyword, self.domain, self.intent]), None)


@dataclass
class NLUInfo:
    """语义理解信息"""
    vertical_category: str                                                # 垂直/开放分类（一级分类）：开头第一句要判断为是闲聊还是业务咨询的分类
    intent_category: str                                                  # 意图分类（二级分类）：在一级分类之下的动作分类
    domain_category: str                                                  # 领域分类（三级分类）：对识别到的意图（动作）明确施加于哪个领域
    domain_results: List[NLUResult]                                       # 领域识别结果列表：每个元素是预测到的领域概率分（通常通过多分类技术来实现）
    intent_results: List[NLUResult]                                       # 意图识别结果列表：每个元素是预测到的意图概率分（通常通过多分类技术来实现）
    previous_domain: Optional[str] = None                                 # 上文领域：距离当前“对话”最近的上一个“对话”的领域
    previous_intent: Optional[str] = None                                 # 上文意图：距离当前“对话”最近的上一个“对话”的意图
    faq_results: Optional[FAQResult] = None                               # FAQ结果列表：每个元素是匹配到的最相似问题以及相似度得分和分类得分（当都高于某个阈值时，则可以采纳）
    question_type: Optional[QuestionType] = None                          # 问句类型结果：5W2H中的一种（when、where、who、what、why、how、how much）
    tokens: Optional[Tokens] = None                                       # 分词结果：对用户问句进行分词、并判定词性和实体识别
    pinyin: List[str] = field(default_factory=list)                       # 拼音列表：逐字译为拼音，方便纠错
    tones: List[str] = field(default_factory=list)                        # 音调列表：逐字译为音调，方便纠错
    emotion: Optional[EmotionCategory] = None                             # 用户情绪：粗分类（正面、中性、负面）
    detailed_emotion: Optional[DetailedEmotion] = None                    # 用户情绪：细分类（开心、兴奋、愤怒、悲伤、客观描述等）
    inherited_info: InheritedInfo = field(default_factory=InheritedInfo)  # 用户继承信息：一次对话只能从上下文继承一种信息（优先度：业务实体词>意图词>领域>意图）


# ==========================================================================================================

@dataclass
class SceneInfo:
    """场景信息"""
    scene_id: str                                               # 场景ID
    scene_name: str                                             # 场景名称
    sub_intent: Optional[str] = None                            # 场景子意图
    # 定义默认值，并确保它是一个新的 dict，防止多个实例共享同一个 dict。
    slots: Dict[str, Any] = field(default_factory=dict)         # 槽位信息
    variables: Dict[str, Any] = field(default_factory=dict)     # 场景变量列表
    trigger_type: Optional[str] = None                          # 触发方式
    process_status: Optional[str] = None                        # 场景流程状态
    interaction_flow_id: Optional[str] = None                   # 交互流程ID
    flow_instance_id: Optional[str] = None                      # 交互流程实例ID


# ==========================================================================================================

@dataclass
class QuestionInfo:
    """用户问句信息"""
    raw_question: str                                                 # 原始问句：用户咨询问题源输入
    composite_question: Dict[str, Any] = field(default_factory=dict)  # 复合问句：用户多元咨询问题源输入（包含多媒体信息）
    mediate_processing: Dict[str, Any] = field(default_factory=dict)  # 中间临时处理：形如停用词处理、文本纠错等中间步骤暂存的临时存储信息
    final_processed: Optional[str] = None                             # 最终处理：经过一系列处理后形成的最终问句的信息存储


# ==========================================================================================================
@dataclass
class AnswerUnit:
    """答案单元"""
    answer_id: str              # 答案ID
    question: str               # 用户源输入
    content: str                # 答案内容
    score: Optional[float]      # 得分
    faq_flag: bool              # FAQ标记
    render_type: str            # 答案渲染
    model_source: str           # 答案模型


class HumanType(str, Enum):
    chat = "闲聊"
    qa = "问答"
    task = "任务"
    recommend = "推荐"


@dataclass
class Artificial:
    human_type: HumanType                  # 人工类型：问答、任务、推荐
    transfer_text: Optional[str] = None    # 转人工文本：用户咨询问题
    transfer_reason: Optional[str] = None  # 转人工理由：触发条件


class PrimaryType(str, Enum):
    chat = "闲聊"
    qa = "问答"
    task = "任务"
    recommend = "推荐"


@dataclass
class SecondaryType:
    # 与具体业务相关
    pass


@dataclass
class AnswerInfo:
    """系统应答信息"""
    primary_type: PrimaryType                      # 一级答案类型
    secondary_type: Optional[SecondaryType] = None # 二级答案类型
    need_rating: bool = False                      # 邀评：邀请用户进行服务评价
    transfer_human: bool = False                   # 转人工
    artificial_info: Optional[Artificial] = None   # 人工类型：闲聊、问答、任务、推荐；仅在 need_rating=True 时存在
    answers: List[AnswerUnit] = AnswerUnit         # 答案列表：每个元素是一个AnswerUnit，包含答案ID、咨询问句、答案内容、得分、FAQ标记、答案渲染方式、出答案模型等