"""大模型直接回答节点

输入: state['input_semantic_trans']  语义转写节点补全后的提问
输出: state['direct_out']            大模型的回答
      state['output']                同一份回答，直接作为整张图的最终输出

这是 is_zhongyi_intent 为 False 时走的兜底分支：提问跟中医无关，图谱里查不到东西，
不必再走实体抽取和 cypher 那一串，交给大模型自由回答。

两个键写同一份内容：direct_out 记录"这一轮是直接回答的"，output 是图的统一出口，
下游（_005_ 的接口）只读 output，不用关心答案是从图谱来的还是模型直接给的。
"""

from langchain_core.messages import HumanMessage, SystemMessage

from _004_langgraph_more_nodes.agent_state import AgentState
from common.llm import my_llm

llm = my_llm

SYSTEM_PROMPT = (
    "你是一个乐于助人的中文助手。请直接、简洁地回答用户的问题。\n"
    "如果用户的问题涉及中医药，只做常识性说明，并提示具体用药需遵医嘱。\n"
    "不要编造事实，不知道就说不知道。"
)


def llm_direct_out_node(state: AgentState) -> AgentState:
    print("直接回答节点执行开始了")
    # 读转写结果而不是 state['input']：多轮里"那第二呢？"必须补全成完整问题才答得对
    user_input = (state.get("input_semantic_trans") or "").strip()

    # 空输入不必调用大模型，两个键仍然要写满，下游只读 output 不用判空
    if not user_input:
        state["direct_out"] = ""
        state["output"] = ""
        print("完成直接回答: 空输入")
        return state

    messages = [
        SystemMessage(content=SYSTEM_PROMPT),
        HumanMessage(content=user_input),
    ]
    model_answer = llm.invoke(messages).content.strip()

    # 存入 state
    state["direct_out"] = model_answer
    state["output"] = model_answer

    history_messages = state.get("history_messages", [])
    history_messages.append({"role": "assistant", "content": model_answer})
    state["history_messages"] = history_messages

    print(f"完成直接回答: {len(model_answer)} 字")
    return state


if __name__ == "__main__":
    for text in [
        "今天上海天气怎么样？",
        "帮我写一段 Python 快排代码",
        "解释下什么是大模型",
        "",
    ]:
        result = llm_direct_out_node({"input_semantic_trans": text})
        print(f"\n提问: {text!r}")
        print(f"  direct_out: {result['direct_out'][:120]}")
        print(f"  output 与 direct_out 一致: {result['output'] == result['direct_out']}")