import os
import gradio as gr
import dashscope
from dashscope import Generation
from http import HTTPStatus

# ====== 1. 配置区域 ======
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY", "")
MODEL_TUTOR = "qwen-turbo"
MODEL_PROFESSOR = "qwen-plus"
TEXTBOOK_PATH = "textbook.txt"

# ====== 2. 教材加载 ======
def load_textbook(path=TEXTBOOK_PATH, max_chars=8000):
    if not os.path.exists(path):
        return "（未找到教材文件，系统将基于通用知识运行，严谨性可能会下降）"
    try:
        with open(path, "r", encoding="utf-8") as f:
            text = f.read()
    except UnicodeDecodeError:
        with open(path, "r", encoding="gbk") as f:
            text = f.read()

    if len(text) > max_chars:
        text = text[:max_chars] + "\n...(教材内容过长，已截断)"
    return text

TEXTBOOK_CONTENT = load_textbook()

# ====== 3. 模型调用 ======
def call_llm(messages, model_name):
    resp = Generation.call(model=model_name, messages=messages, result_format="message")
    if resp.status_code == HTTPStatus.OK:
        return resp.output["choices"][0]["message"]["content"].strip()
    return f"API Error: {resp.code} - {resp.message}"

# ====== 4. Agent 逻辑（完全保留） ======
def answer_agent(question):
    """
    生成第一版答案：直接回答 + 详细讲解 + 教材例子
    """
    system_prompt = f"""你是一个专业、耐心、循循善诱的教学助手，专门帮助学生理解教材内容。
## 你的角色和任务：
你是问题回答者智能体，负责生成第一版答案，是整个系统的主要输出来源。
你必须严格基于提供的教材内容进行回答，不得编造教材外的知识。
## 教材内容参考：
{TEXTBOOK_CONTENT}
## 核心能力要求：
1. **生成解答**：首先直接、清晰地回答学生的问题
2. **讲解内容**：分点展开，详细解释相关概念和原理
3. **举例说明**：必须基于上述教材内容进行举例说明
4. **追问学生**：最后提出一个相关的思考问题引导学生进一步思考
## 回答结构建议：
### 直接解答
先用简洁明了的语言回答问题的核心
### 详细讲解
- 将复杂概念分解成易于理解的要点
- 使用分点方式展开说明
- 确保逻辑清晰，层次分明
### 教材示例
明确引用教材中的具体内容，可以使用"如教材中所述..."或"教材中提到..."等表述
### 启发思考
提出一个与问题相关的思考题，帮助学生深化理解
## 语言风格：
- 面向初学者，语言亲切易懂
- 温柔指导式，避免过于学术化
- 使用鼓励性语言，激发学习兴趣
- 保持耐心和教学友好度
## 重要提醒：
- 所有回答必须严格基于提供的教材内容
- 如果教材中没有相关内容，请如实告知学生
- 确保回答的准确性和教学价值
- 你的目标是帮助学生真正理解概念，而不仅仅是给出答案"""

    user_prompt = f"""请基于教材内容回答以下问题：
问题：{question}
请按照以下要求组织回答：
1. 首先给出直接答案
2. 然后进行分点详细讲解  
3. 必须基于教材内容举例说明
4. 最后提出一个启发性的思考问题
5. 使用面向初学者的友好教学语言
请开始你的回答："""

    messages = [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user_prompt}
    ]

    return call_llm(messages, MODEL_TUTOR)


def checker_agent(question, draft):
    """
    审查助教的回答：检查概念准确性、完整性、严谨性
    """

    # === 分支 A：初稿为空或过短 ===
    if not draft or len(draft.strip()) < 50:
        system_prompt = f"""
你是一名严谨负责的AI课程助教，核心任务是对照教材审查回答者的初稿质量。
当前初稿为空或内容过短，无法满足回答要求，请按以下框架反馈：
### 检查依据（唯一参考，不得脱离）
{TEXTBOOK_CONTENT}
### 输出要求（结构化呈现）
1. 【学生问题复盘】：简要重复学生问题（确保理解核心诉求）
2. 【初稿质量评估】：
   - 优点：无（初稿未满足基础长度要求）
   - 不足：初稿为空或内容过短（少于50字），未覆盖“直接回答+详细讲解+教材例子”的基础结构，无法判断知识点准确性
3. 【针对性修改建议】：
   - 第一步：先给出“直接回答”（用1-2句话概括问题结论，基于教材）
   - 第二步：补充“详细讲解”（分点解释核心概念，如定义、分类等，对应教材内容）
   - 第三步：添加“教材例子”（引用教材中的具体案例）
4. 【修订后的参考答案】：按上述三步，基于教材完整撰写回答，格式清晰
5. 【学生水平预判】：未形成有效回答，暂无法判断，建议先掌握“基础回答结构+教材核心概念”
### 注意事项
- 修订答案需严格基于教材，不添加额外扩展内容
- 语气友好，体现助教的指导属性
"""

    # === 分支 B：正常审查 ===
    else:
        system_prompt = f"""
你是一名严谨负责的AI课程教授，核心任务是对照教材，全面审查回答者的初稿质量，确保内容准确、完整、贴合教材。
### 检查依据（唯一参考，不得脱离）
{TEXTBOOK_CONTENT}
### 检查维度（必须逐一覆盖，不遗漏，每个维度需对应教材依据）
1. 概念准确性：是否存在与教材冲突的错误？需引用教材原文对比。
2. 内容完整性：是否遗漏教材中与问题相关的核心知识点？
3. 表达严谨性：是否有模糊/歧义表述？
4. 扩展合理性：若初稿有教材外内容，是否标注“扩展补充”且不超过总内容的20%？
5. 格式规范性：是否符合“直接回答 + 详细讲解 + 教材相关例子”三部分？
### 输出要求（结构化呈现，清晰易懂，语言专业且友好）
请严格按以下框架组织反馈，每个部分需具体、可落地：
1. 【学生问题复盘】：1-2句话重复学生问题。
2. 【初稿质量评估】：
   - 优点：分点列出初稿的亮点。
   - 不足：分点列出具体问题，每个问题需包含「初稿原文」+「教材依据」。
3. 【针对性修改建议】：对每个“不足”给出唯一对应的修改方案。
4. 【修订后的参考答案】：
   - 保留初稿中正确的部分，仅修正错误、补充遗漏。
   - 严格按“直接回答+详细讲解+教材例子”结构撰写。
   - 格式清晰：可用小标题分点。
5. 【学生水平预判】：基于初稿质量判断（如“基础概念掌握准确，但细节记忆偏差”）。
### 注意事项
- 若初稿完全符合教材且无任何问题：“不足”写“无”，“修改建议”写“无需修改”。
- 修订答案不得添加教材外知识（除非是通俗化解释）。
- 反馈语气像助教指导学生，避免生硬批评。
"""

    messages = [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": f"学生问题：{question}\n\n回答者初稿：\n{draft}"}
    ]

    return call_llm(messages, MODEL_PROFESSOR)

# ====== 5. 对话式交互逻辑（核心修改点） ======
def run_chat(question, history):
    if not question:
        return history, history

    history += f"\n\n---\n\n👤 **学生：** {question}\n"

    tutor_answer = answer_agent(question)
    history += f"\n🤖 **实习助教：**\n{tutor_answer}\n"

    professor_answer = checker_agent(question, tutor_answer)
    history += f"\n👨‍🏫 **严谨教授：**\n{professor_answer}\n"

    return history, history

# ====== 6. UI ======
APPLE_UI_CSS = """
body { background: #F5F5F7; font-family: -apple-system; }
.card { background: white; border-radius: 16px; padding: 24px; margin-bottom: 20px; }
.output-card { height: 600px; overflow-y: auto; }
"""

with gr.Blocks(title="双师课堂 AI") as demo:
    gr.Markdown(f"<style>{APPLE_UI_CSS}</style>")

    gr.Markdown("# 🎓 双师课堂：对话式教学问答")

    chat_history = gr.State("")

    with gr.Column(elem_classes=["card"]):
        inp = gr.Textbox(
            placeholder="请输入你的问题，例如：什么是加速度？",
            show_label=False
        )
        btn = gr.Button("发送")

    with gr.Column(elem_classes=["card", "output-card"]):
        chat_display = gr.Markdown("等待提问...")

    btn.click(
        fn=run_chat,
        inputs=[inp, chat_history],
        outputs=[chat_display, chat_history]
    )

    inp.submit(
        fn=run_chat,
        inputs=[inp, chat_history],
        outputs=[chat_display, chat_history]
    )

if __name__ == "__main__":
    demo.launch()