"""核心 Agent"""

import json
import os
import hashlib
from pathlib import Path
from typing import Dict, Any, Optional, List
from hello_agents import (
    HelloAgentsLLM,
    ReActAgent,
    ReflectionAgent,
    PlanAndSolveAgent
)
from hello_agents.tools import MCPTool, ToolRegistry, SearchTool
from models import ColumnPlan, ReviewResult, ContentNode, ContentLevel
from prompts import get_structure_requirements, get_react_writer_prompt, get_reflection_writer_prompts, get_planner_prompts
from config import get_settings, get_word_count
from utils import JSONExtractor, parse_react_output, get_current_timestamp

settings = get_settings()

class LLMService:
    """LLM 服务单例"""
    _instance: Optional[HelloAgentsLLM] = None
    
    @classmethod
    def get_llm(cls) -> HelloAgentsLLM:
        """获取 LLM 实例（单例模式）"""
        if cls._instance is None:
            cls._instance = HelloAgentsLLM()
            print(f"▸ LLM服务初始化成功")
            print(f"   提供商: {cls._instance.provider}")
            print(f"   模型: {cls._instance.model}")
        return cls._instance


class PlannerAgent:
    """
    使用 PlanAndSolveAgent 模式
    
    PlanAndSolveAgent 将任务分解为子任务并逐步执行，非常适合专栏规划场景：
    1. 分析主题（理解用户需求）
    2. 规划子话题（分解任务）
    3. 组织结构（逐步执行）
    
    支持缓存机制，以主题为key缓存规划结果
    """
    
    def __init__(self, cache_dir: str = ".cache"):
        """
        初始化规划 Agent
        
        Args:
            cache_dir: 缓存目录路径
        """
        self.llm = LLMService.get_llm()
        self.cache_dir = Path(cache_dir)
        self.cache_dir.mkdir(exist_ok=True)
        
        # 自定义 PlanAndSolve 提示词
        planner_prompts = {
            "planner": """
你是一位经验丰富的专栏策划专家。请将以下专栏主题分解为清晰的子话题规划步骤。

主题: {question}

请按以下格式输出规划步骤:
```python
[
    "步骤1: 分析主题的核心概念和目标读者",
    "步骤2: 确定知识体系的整体框架",
    "步骤3: 规划2-4个子话题，确保逻辑递进",
    "步骤4: 为每个子话题设定学习目标和要点",
    "步骤5: 组装完整的专栏大纲"
]
```
不能超过10个步骤。

""",
            "executor": """
你是专栏规划执行专家。请按照规划步骤执行专栏大纲的生成。

# 原始主题: {question}
# 规划步骤: {plan}
# 已完成步骤: {history}
# 当前步骤: {current_step}

▸️ **关键要求**：
- 不能超过10个步骤。
- 如果当前步骤是"步骤5: 组装完整的专栏大纲"或包含"组装"、"完整"、"大纲"等关键词，**必须**输出完整的 JSON 格式专栏大纲
- 如果不是最后一步，请输出当前步骤的分析结果（文本格式）

**最后一步的输出格式（必须是 JSON，不要添加任何其他文本）**：
```json
{{
  "column_title": "专栏总标题",
  "column_description": "专栏简介（100-200字）",
  "target_audience": "目标读者群体",
  "topics": [
    {{
      "id": "topic_001",
      "title": "子话题标题",
      "description": "子话题简介（50-100字）",
      "estimated_words": 200,
      "key_points": ["要点1", "要点2", "要点3"],
      "prerequisites": ["前置知识1", "前置知识2"]
    }}
  ]
}}
```

**重要**：如果是最后一步，请直接输出 JSON，不要添加"当前步骤分析结果"等前缀文本。

请执行当前步骤：
"""
        }
        
        # 创建带缓存的 Executor 包装器
        from hello_agents.agents.plan_solve_agent import Executor
        
        class CachedExecutor(Executor):
            """带缓存的 Executor，缓存每个步骤的执行结果"""
            def __init__(self, llm_client, prompt_template, cache_dir, main_topic):
                super().__init__(llm_client, prompt_template)
                self.cache_dir = cache_dir
                self.main_topic = main_topic
                self.steps_cache_dir = cache_dir / "steps_cache"
                self.steps_cache_dir.mkdir(exist_ok=True)
            
            def _get_step_cache_key(self, step_index: int, step_content: str) -> Path:
                """生成步骤缓存文件路径"""
                # 使用主题 + 步骤索引 + 步骤内容的hash作为key
                step_hash = hashlib.md5(
                    f"{self.main_topic}_{step_index}_{step_content}".encode('utf-8')
                ).hexdigest()
                return self.steps_cache_dir / f"step_{step_index}_{step_hash}.json"
            
            def _load_step_from_cache(self, step_index: int, step_content: str) -> Optional[str]:
                """从缓存加载步骤结果"""
                cache_file = self._get_step_cache_key(step_index, step_content)
                if not cache_file.exists():
                    return None
                
                try:
                    with open(cache_file, 'r', encoding='utf-8') as f:
                        cache_data = json.load(f)
                    # 验证缓存的主题和步骤是否匹配
                    if (cache_data.get('topic') == self.main_topic and 
                        cache_data.get('step_index') == step_index and
                        cache_data.get('step_content') == step_content):
                        print(f"   ▸ 从缓存加载步骤 {step_index} 的结果")
                        return cache_data.get('result')
                except Exception as e:
                    print(f"   ▸️  加载步骤缓存失败: {e}")
                return None
            
            def _save_step_to_cache(self, step_index: int, step_content: str, result: str):
                """保存步骤结果到缓存"""
                cache_file = self._get_step_cache_key(step_index, step_content)
                try:
                    cache_data = {
                        'topic': self.main_topic,
                        'step_index': step_index,
                        'step_content': step_content,
                        'result': result
                    }
                    with open(cache_file, 'w', encoding='utf-8') as f:
                        json.dump(cache_data, f, ensure_ascii=False, indent=2)
                except Exception as e:
                    print(f"   ▸️  保存步骤缓存失败: {e}")
            
            def execute(self, question: str, plan: List[str], **kwargs) -> str:
                """按计划执行任务（带缓存）"""
                history = ""
                final_answer = ""
                
                print("\n--- 正在执行计划 ---")
                for i, step in enumerate(plan, 1):
                    print(f"\n-> 正在执行步骤 {i}/{len(plan)}: {step}")
                    
                    # 尝试从缓存加载
                    cached_result = self._load_step_from_cache(i, step)
                    if cached_result:
                        response_text = cached_result
                    else:
                        # 缓存未命中，执行步骤
                        prompt = self.prompt_template.format(
                            question=question,
                            plan=plan,
                            history=history if history else "无",
                            current_step=step
                        )
                        messages = [{"role": "user", "content": prompt}]
                        response_text = self.llm_client.invoke(messages, **kwargs) or ""
                        
                        # 保存到缓存
                        self._save_step_to_cache(i, step, response_text)
                    
                    history += f"步骤 {i}: {step}\n结果: {response_text}\n\n"
                    final_answer = response_text
                    print(f"▸ 步骤 {i} 已完成，结果: {final_answer[:100] if len(final_answer) > 100 else final_answer}...")
                
                return final_answer
        
        # 创建 PlanAndSolveAgent，但替换 Executor
        self.agent = PlanAndSolveAgent(
            name="专栏规划专家",
            llm=self.llm,
            custom_prompts=planner_prompts
        )
        
        # 替换 Executor 为带缓存的版本
        cached_executor = CachedExecutor(
            llm_client=self.llm,
            prompt_template=planner_prompts["executor"],
            cache_dir=self.cache_dir,
            main_topic=""  # 将在 plan_column 中设置
        )
        self.agent.executor = cached_executor
    
    def _get_cache_key(self, main_topic: str) -> str:
        """
        生成缓存key（使用主题的hash值）
        
        Args:
            main_topic: 专栏主题
            
        Returns:
            缓存文件名
        """
        # 使用主题的hash值作为文件名
        topic_hash = hashlib.md5(main_topic.encode('utf-8')).hexdigest()
        return f"plan_{topic_hash}.json"
    
    def _load_from_cache(self, main_topic: str) -> Optional[ColumnPlan]:
        """
        从缓存加载规划结果
        
        Args:
            main_topic: 专栏主题
            
        Returns:
            ColumnPlan 实例，如果缓存不存在则返回 None
        """
        cache_file = self.cache_dir / self._get_cache_key(main_topic)
        
        if not cache_file.exists():
            return None
        
        try:
            with open(cache_file, 'r', encoding='utf-8') as f:
                cache_data = json.load(f)
            
            # 验证缓存的主题是否匹配
            if cache_data.get('topic') != main_topic:
                print(f"▸️  缓存主题不匹配，忽略缓存")
                return None
            
            plan_data = cache_data.get('plan')
            if not plan_data:
                return None
            
            plan = ColumnPlan.from_dict(plan_data)
            print(f"▸ 从缓存加载规划结果")
            print(f"   缓存文件: {cache_file}")
            return plan
        except Exception as e:
            print(f"▸️  加载缓存失败: {e}")
            return None
    
    def _save_to_cache(self, main_topic: str, plan: ColumnPlan):
        """
        保存规划结果到缓存
        
        Args:
            main_topic: 专栏主题
            plan: ColumnPlan 实例
        """
        cache_file = self.cache_dir / self._get_cache_key(main_topic)
        
        try:
            cache_data = {
                'topic': main_topic,
                'plan': plan.to_dict(),
                'cached_at': get_current_timestamp()  # 正确的缓存时间戳
            }
            
            with open(cache_file, 'w', encoding='utf-8') as f:
                json.dump(cache_data, f, ensure_ascii=False, indent=2)
            
            print(f"▸ 规划结果已保存到缓存: {cache_file}")
        except Exception as e:
            print(f"▸️  保存缓存失败: {e}")
    
    def plan_column(self, main_topic: str, use_cache: bool = True) -> ColumnPlan:
        """
        规划专栏大纲
        
        Args:
            main_topic: 专栏主题
            use_cache: 是否使用缓存（默认True）
            
        Returns:
            ColumnPlan 实例
        """
        # 尝试从缓存加载
        if use_cache:
            cached_plan = self._load_from_cache(main_topic)
            if cached_plan:
                print(f"   专栏标题: {cached_plan.column_title}")
                print(f"   话题数量: {cached_plan.get_topic_count()}")
                return cached_plan
        
        # 缓存未命中，调用 LLM 进行规划
        print(f"\n▸ PlanAndSolve Agent 开始规划专栏...")
        print(f"   使用模式: 任务分解 → 逐步执行")
        print(f"   主题: {main_topic}")
        
        # 更新 Executor 的主题（用于缓存key）
        if hasattr(self.agent.executor, 'main_topic'):
            self.agent.executor.main_topic = main_topic
        
        response = self.agent.run(main_topic)
        
        # 解析 JSON 响应
        plan_data = self._extract_json(response)
        plan = ColumnPlan.from_dict(plan_data)
        
        print(f"▸ 规划完成")
        print(f"   专栏标题: {plan.column_title}")
        print(f"   话题数量: {plan.get_topic_count()}")
        
        # 保存到缓存
        if use_cache:
            self._save_to_cache(main_topic, plan)
        
        return plan
    
    def _extract_json(self, response: str) -> Dict[str, Any]:
        """从响应中提取 JSON（使用统一的 JSONExtractor）"""
        try:
            return JSONExtractor.extract(
                response,
                required_fields=['column_title', 'topics']
            )
        except Exception as e:
            print(f"▸️  JSON 提取失败: {e}")
            print(f"   响应内容（前500字符）: {response[:500]}...")
            raise


class ReActAgentWrapper:
    """
    ReActAgent 包装器，用于捕获历史信息和处理错误
    """
    def __init__(self, agent: ReActAgent):
        self.agent = agent
        self.last_history = []  # 保存最后一次运行的历史
        self.last_response = None  # run() 方法的返回值（通常是 final_answer）
        self.last_raw_responses = []  # 保存所有原始 LLM 响应，用于调试
    
    def run(self, question: str):
        """
        运行 Agent 并捕获历史信息
        
        Args:
            question: 问题
        """
        try:
            # 清空上次的原始响应
            self.last_raw_responses = []
            
            # 尝试访问 agent 的 history 属性（如果存在）
            if hasattr(self.agent, 'current_history'):
                original_history = self.agent.current_history.copy() if self.agent.current_history else []
            elif hasattr(self.agent, 'history'):
                original_history = self.agent.history.copy() if self.agent.history else []
            else:
                original_history = []
            
            # 如果 agent 有 _parse_output 方法，保存原始方法并替换为改进版本
            original_parse = None
            original_invoke = None
            
            if hasattr(self.agent, '_parse_output'):
                original_parse = self.agent._parse_output
                # 使用统一的解析函数（包装为方法）
                def parse_wrapper(text):
                    return parse_react_output(text)
                self.agent._parse_output = parse_wrapper
            
            # 拦截 LLM 调用以捕获原始响应
            if hasattr(self.agent, 'llm') and hasattr(self.agent.llm, 'invoke'):
                original_invoke = self.agent.llm.invoke
                
                def wrapped_invoke(messages, **kwargs):
                    """包装 LLM invoke 方法以捕获原始响应"""
                    response = original_invoke(messages, **kwargs)
                    if response:
                        self.last_raw_responses.append(response)
                    return response
                
                self.agent.llm.invoke = wrapped_invoke
            
            try:
                response = self.agent.run(question)
                self.last_response = response
                
                # 尝试获取最终的历史信息
                if hasattr(self.agent, 'current_history'):
                    self.last_history = self.agent.current_history.copy() if self.agent.current_history else []
                elif hasattr(self.agent, 'history'):
                    self.last_history = self.agent.history.copy() if self.agent.history else []
                else:
                    self.last_history = original_history
                
                return response
            finally:
                # 恢复原始方法
                if original_parse:
                    self.agent._parse_output = original_parse
                if original_invoke and hasattr(self.agent, 'llm'):
                    self.agent.llm.invoke = original_invoke
                    
        except Exception as e:
            # 即使出错也尝试保存历史
            if hasattr(self.agent, 'current_history'):
                self.last_history = self.agent.current_history.copy() if self.agent.current_history else []
            elif hasattr(self.agent, 'history'):
                self.last_history = self.agent.history.copy() if self.agent.history else []
            print(f"▸️  ReActAgentWrapper 捕获到异常: {e}")
            raise


class WriterAgent:
    """
    写作 Agent - 使用 ReActAgent 模式
    
    ReActAgent 结合推理（Reasoning）和行动（Acting），非常适合需要工具调用的写作场景：
    1. 分析写作需求（推理）
    2. 决定是否需要搜索（推理）
    3. 调用搜索工具（行动）
    4. 整合信息写作（行动）
    """
    
    def __init__(self, enable_search: bool = True):
        """
        初始化写作 Agent
        
        Args:
            enable_search: 是否启用搜索功能
        """
        self.llm = LLMService.get_llm()
        self.enable_search = enable_search
        
        # 创建工具注册表
        self.tool_registry = ToolRegistry()
        
        # 添加搜索工具（如果启用）
        if enable_search:
            self._setup_search_tool()
        
        # 自定义 ReAct 提示词（参考示例代码的简洁格式）
        react_prompt = get_react_writer_prompt() # 从 prompts.py 获取

        # 创建 ReActAgent（将在包装器中替换解析方法）
        react_agent = ReActAgent(
            name="内容创作专家",
            llm=self.llm,
            tool_registry=self.tool_registry,
            custom_prompt=react_prompt,
            max_steps=10  # 增加到 10 步，给 Agent 更多机会完成任务
        )
        
        self.agent = ReActAgentWrapper(react_agent)
    
    def _setup_search_tool(self):
        """设置搜索工具（使用 SearchTool 和 MCPTool）"""
        settings = get_settings()
        
        # 保存 search_tool 实例供 wrappers 使用
        self.search_tool = None
        
        # 1. 初始化内置 SearchTool
        try:
            # 检查是否配置了搜索 API
            if settings.tavily_api_key or settings.serpapi_api_key:
                self.search_tool = SearchTool(
                    tavily_key=settings.tavily_api_key,
                    serpapi_key=settings.serpapi_api_key
                )
                print("▸ SearchTool (内置) 已初始化")
            else:
                print("▸️  未配置搜索 API Key (Tavily/SerpApi)，跳过 SearchTool 初始化")
        except Exception as e:
            print(f"▸️  初始化 SearchTool 失败: {e}")

        # 2. 注册 wrapper 函数 (如果 search_tool 可用)
        if self.search_tool:
            self._register_search_wrappers()
            
        # 3. 注册 GitHub MCPTool
        try:
            # 检查是否有 GitHub Token (通常在环境变量 GITHUB_PERSONAL_ACCESS_TOKEN)
            if os.environ.get("GITHUB_PERSONAL_ACCESS_TOKEN"):
                github_tool = MCPTool(
                    name="github",
                    description="GitHub 操作工具，支持搜索仓库、查看代码等",
                    server_command=["npx", "-y", "@modelcontextprotocol/server-github"],
                    auto_expand=True
                )
                self.tool_registry.register_tool(github_tool)
                print("▸ GitHub MCPTool 已注册")
            else:
                print("▸️  未配置 GITHUB_PERSONAL_ACCESS_TOKEN，跳过 GitHub MCPTool 注册")
        except Exception as e:
            print(f"▸️  注册 GitHub MCPTool 失败: {e}")

    def _register_search_wrappers(self):
        """注册适配 Prompt 的搜索函数 wrappers"""
        
        def web_search(query: str) -> str:
            """通用网页搜索，获取最新资讯和资料"""
            # SearchTool.run 接受 dict 参数
            return str(self.search_tool.run({"query": query}))
        
        def search_recent_info(topic: str) -> str:
            """搜索最新信息和动态"""
            return str(self.search_tool.run({"query": f"{topic} latest info"}))
        
        def search_code_examples(technology: str, task: str) -> str:
            """搜索代码示例和教程"""
            return str(self.search_tool.run({"query": f"{technology} {task} code examples tutorial"}))
        
        def verify_facts(statement: str) -> str:
            """验证事实准确性"""
            return str(self.search_tool.run({"query": f"verify fact: {statement}"}))
        
        self.tool_registry.register_function("web_search", "通用网页搜索，获取最新资讯和资料", web_search)
        self.tool_registry.register_function("search_recent_info", "搜索最新信息和动态", search_recent_info)
        self.tool_registry.register_function("search_code_examples", "搜索代码示例和教程", search_code_examples)
        self.tool_registry.register_function("verify_facts", "验证事实准确性", verify_facts)
        print("▸ 搜索函数 wrappers 已注册")
            
    
    def generate_content(
        self,
        node: ContentNode,
        context: Dict[str, Any],
        level: int,
        additional_requirements: str = ""
    ) -> Dict[str, Any]:
        """
        生成内容（使用 ReAct 模式）
        
        Args:
            node: 当前节点
            context: 写作上下文
            level: 当前层级
            additional_requirements: 额外要求
            
        Returns:
            生成的内容数据
        """
        structure_requirements = get_structure_requirements(level)
        word_count = get_word_count(level)
        
        # 构建写作任务描述（简化格式，参考示例代码）
        task_description = f"""
请撰写一篇技术专栏文章。

层级: Level {level}/3
话题: {node.title}
描述: {node.description}
要求字数: {word_count} 字（允许误差±10%）

上下文信息:
{json.dumps(context, ensure_ascii=False, indent=2)}

结构要求:
{structure_requirements}

额外要求:
{additional_requirements if additional_requirements else "无"}

重要提示：
- 完成写作后，必须使用 `\n\nFinish[JSON内容]` 格式输出结果
- JSON 中的 `level` 字段必须是 {level}
- `content` 字段必须包含完整的文章正文（Markdown格式）
- 文章必须包含：引言、主体内容（3-5个小节）、实践案例、总结
"""
        
        try:
            response = self.agent.run(task_description)
            
            # 调试：打印真正的原始 LLM 响应（最后一次的响应）
            print(f"\n{'='*70}")
            print("▸ ReActAgent 原始 LLM 响应:")
            print(f"{'='*70}")
            if self.agent.last_raw_responses:
                # 打印最后一次的原始响应（通常是包含 Finish[...] 的那次）
                last_raw = self.agent.last_raw_responses[-1]
                print(last_raw)
                # print(last_raw[:2000] if len(last_raw) > 2000 else last_raw)
                # if len(last_raw) > 2000:
                    # print(f"\n... (响应过长，已截断，总长度: {len(last_raw)} 字符)")
            else:
                print("▸️  未捕获到原始响应")
            print(f"{'='*70}\n")
            
            # 打印 run() 方法的返回值（通常是 final_answer）
            print(f"▸ ReActAgent.run() 返回值:")
            print(f"   {response[:500] if response and len(response) > 500 else response}")
            print()
            
            # 检查响应是否有效
            # 注意：即使 response 为空或错误，也要检查是否有原始响应可以提取
            if not response or (isinstance(response, str) and not response.strip()):
                print("▸️  ReActAgent 返回了空响应或空白响应")
                print(f"   已收集的历史信息: {len(self.agent.last_history)} 条")
                
                # 尝试从最后一次原始响应中提取内容
                if self.agent.last_raw_responses:
                    last_raw = self.agent.last_raw_responses[-1]
                    print(f"   尝试从最后一次原始响应中提取内容（长度: {len(last_raw)} 字符）...")
                    # 尝试直接提取 JSON
                    try:
                        content_data = self._extract_json(last_raw)
                        # 验证提取的 JSON 是否包含必需的字段
                        if not isinstance(content_data, dict):
                            raise ValueError("提取的内容不是字典格式")
                        if 'content' not in content_data:
                            print(f"   ▸️  提取的 JSON 缺少 'content' 字段")
                            print(f"   可用字段: {list(content_data.keys())}")
                            raise ValueError("提取的 JSON 缺少 'content' 字段")
                        print("▸ 成功从原始响应中提取到内容")
                        return content_data
                    except Exception as e:
                        print(f"   ▸️  从原始响应提取失败: {e}")
                
                # 如果提取失败，使用 fallback
                return self._generate_content_with_history(
                    node, context, level, structure_requirements, word_count,
                    self.agent.last_history, task_description
                )
            
            # 检查是否是错误消息
            if "无法在限定步数内完成" in response or "抱歉" in response or "流程终止" in response:
                print("▸️  ReActAgent 达到最大步数限制或无法完成任务")
                print(f"   已收集的历史信息: {len(self.agent.last_history)} 条")
                
                # 即使返回错误消息，也尝试从最后一次原始响应中提取内容
                if self.agent.last_raw_responses:
                    last_raw = self.agent.last_raw_responses[-1]
                    print(f"   尝试从最后一次原始响应中提取内容（长度: {len(last_raw)} 字符）...")
                    try:
                        content_data = self._extract_json(last_raw)
                        # 验证提取的 JSON 是否包含必需的字段
                        if not isinstance(content_data, dict):
                            raise ValueError("提取的内容不是字典格式")
                        if 'content' not in content_data:
                            print(f"   ▸️  提取的 JSON 缺少 'content' 字段")
                            print(f"   可用字段: {list(content_data.keys())}")
                            raise ValueError("提取的 JSON 缺少 'content' 字段")
                        print("▸ 成功从原始响应中提取到内容（尽管 ReActAgent 返回了错误消息）")
                        return content_data
                    except Exception as e:
                        print(f"   ▸️  从原始响应提取失败: {e}")
                
                # 如果提取失败，基于历史信息生成内容
                return self._generate_content_with_history(
                    node, context, level, structure_requirements, word_count,
                    self.agent.last_history, task_description
                )
            
            # 如果 response 是 "JSON内容" 这样的占位符，从原始响应中提取
            if response.strip() in ["JSON内容", "JSON", "内容"]:
                print(f"▸️  ReActAgent 返回了占位符 '{response}'，尝试从原始响应中提取...")
                if self.agent.last_raw_responses:
                    last_raw = self.agent.last_raw_responses[-1]
                    print(f"   从最后一次原始响应中提取（长度: {len(last_raw)} 字符）...")
                    try:
                        content_data = self._extract_json(last_raw)
                        if isinstance(content_data, dict) and 'content' in content_data:
                            print("▸ 成功从原始响应中提取到内容")
                            return content_data
                    except Exception as e:
                        print(f"   ▸️  从原始响应提取失败: {e}")
            
            content_data = self._extract_json(response)
            
            # 验证提取的 JSON 是否包含必需的字段
            if not isinstance(content_data, dict):
                raise ValueError(f"提取的内容不是字典格式: {type(content_data)}")
            if 'content' not in content_data:
                print(f"▸️  提取的 JSON 缺少 'content' 字段")
                print(f"   可用字段: {list(content_data.keys())}")
                print(f"   响应内容（前500字符）: {response[:500]}")
                
                # 如果从 response 提取失败，尝试从原始响应中提取
                if self.agent.last_raw_responses:
                    last_raw = self.agent.last_raw_responses[-1]
                    print(f"   尝试从最后一次原始响应中提取（长度: {len(last_raw)} 字符）...")
                    try:
                        content_data = self._extract_json(last_raw)
                        if isinstance(content_data, dict) and 'content' in content_data:
                            print("▸ 成功从原始响应中提取到内容")
                            return content_data
                    except Exception as e:
                        print(f"   ▸️  从原始响应提取失败: {e}")
                
                raise ValueError("提取的 JSON 缺少 'content' 字段")
            
            return content_data
        except Exception as e:
            print(f"▸️  ReActAgent 执行失败: {e}")
            import traceback
            traceback.print_exc()
            print(f"   已收集的历史信息: {len(self.agent.last_history)} 条")
            print("   尝试基于历史信息生成内容...")
            return self._generate_content_with_history(
                node, context, level, structure_requirements, word_count,
                self.agent.last_history, task_description
            )
    
    def _generate_content_with_history(
        self,
        node: ContentNode,
        context: Dict[str, Any],
        level: int,
        structure_requirements: str,
        word_count: int,
        history: List[str],
        original_task: str
    ) -> Dict[str, Any]:
        """
        当 ReActAgent 失败时，基于历史信息使用 SimpleAgent 生成内容
        
        Args:
            history: ReActAgent 收集的历史信息（Thought、Action、Observation）
        """
        from hello_agents import SimpleAgent
        
        fallback_agent = SimpleAgent(
            name="内容创作专家（备用）",
            llm=self.llm,
            system_prompt="你是一位专业的内容创作者，擅长撰写技术专栏文章。"
        )
        
        # 构建包含历史信息的任务描述
        history_summary = ""
        if history:
            history_summary = "\n\n## 已撰写的部分历史:\n"
            for i, item in enumerate(history[-10:], 1):  # 只取最后10条历史
                history_summary += f"{i}. {item}\n"
            history_summary += "\n请基于以上信息继续完成写作任务。\n"
        
        task = f"""
请撰写一篇技术专栏文章。

话题: {node.title}
描述: {node.description}
要求字数: {word_count} 字

结构要求:
{structure_requirements}
{history_summary}

请直接输出 JSON 格式的内容：
{{
  "title": "{node.title}",
  "level": {level},
  "content": "完整的文章正文（markdown格式，包含引言、主体、案例、总结）",
  "word_count": 实际字数,
  "needs_expansion": false,
  "subsections": [],
  "metadata": {{}}
}}
"""
        
        print(f"▸ 使用 SimpleAgent 基于历史信息生成内容...")
        response = fallback_agent.run(task)
        return self._extract_json(response)
    
    def revise_content(
        self,
        original_content: str,
        review_result: ReviewResult,
        level: int
    ) -> Dict[str, Any]:
        """
        根据评审意见修改内容
        
        Args:
            original_content: 原始内容
            review_result: 评审结果
            level: 层级
            
        Returns:
            修改后的内容数据
        """
        # 构建修改任务
        task_description = f"""
## 修改任务

**原始内容**:
{original_content[:500]}...

**评审分数**: {review_result.score}/100
**评审等级**: {review_result.grade}

**主要问题**:
{json.dumps(review_result.detailed_feedback.get('issues', [])[:3], ensure_ascii=False, indent=2)}

**修改建议**:
{json.dumps(review_result.revision_plan.get('priority_changes', []), ensure_ascii=False, indent=2)}

请使用 ReAct 模式完成修改：
1. 思考评审意见的核心要求
2. 决定是否需要搜索新信息
3. 修改内容
4. 使用 Finish[修改后的JSON内容] 输出结果
"""
        
        response = self.agent.run(task_description)
        revised_data = self._extract_json(response)
        
        return revised_data
    
    def _extract_json(self, response: str) -> Dict[str, Any]:
        """从响应中提取 JSON（使用统一的 JSONExtractor）"""
        try:
            return JSONExtractor.extract(
                response,
                required_fields=['content'],
                fallback_fields={
                    'subsections': [],
                    'metadata': {},
                    'needs_expansion': False
                }
            )
        except Exception as e:
            print(f"▸️  提取 JSON 时发生错误: {e}")
            print(f"   响应内容（前1000字符）: {response[:1000]}")
            raise


class ReviewerAgent:
    """
    评审 Agent - 使用 SimpleAgent 模式
    
    负责对生成的内容进行质量评审，提供详细的评分和修改建议
    """
    
    def __init__(self):
        from hello_agents import SimpleAgent
        from prompts import get_reviewer_prompt
        
        self.llm = LLMService.get_llm()
        self.reviewer_prompt = get_reviewer_prompt()
        
        self.agent = SimpleAgent(
            name="内容评审专家",
            llm=self.llm,
            system_prompt="你是一位严格而专业的内容评审专家，擅长评估文章质量并提供建设性的修改意见。"
        )
    
    def review_content(
        self,
        content: str,
        level: int,
        target_word_count: int,
        key_points: List[str]
    ) -> 'ReviewResult':
        """
        评审内容
        
        Args:
            content: 待评审的内容
            level: 内容层级
            target_word_count: 目标字数
            key_points: 关键要点
            
        Returns:
            ReviewResult 实例
        """
        print(f"\n▸ ReviewerAgent 开始评审内容...")
        print(f"   内容长度: {len(content)} 字符")
        print(f"   目标字数: {target_word_count}")
        
        # 构建评审任务
        task = self.reviewer_prompt.format(
            level=level,
            target_word_count=target_word_count,
            key_points=json.dumps(key_points, ensure_ascii=False),
            content=content
        )
        
        response = self.agent.run(task)
        review_data = self._extract_json(response)
        
        # 创建 ReviewResult 实例
        result = ReviewResult.from_dict(review_data)
        
        print(f"▸ 评审完成")
        print(f"   评分: {result.score}/100 ({result.grade})")
        print(f"   需要修改: {'是' if result.needs_revision else '否'}")
        
        return result
    
    def _extract_json(self, response: str) -> Dict[str, Any]:
        """从响应中提取 JSON"""
        try:
            return JSONExtractor.extract(
                response,
                required_fields=['score', 'grade'],
                fallback_fields={
                    'dimension_scores': {},
                    'detailed_feedback': {'strengths': [], 'issues': []},
                    'revision_plan': {'priority_changes': [], 'minor_improvements': []},
                    'needs_revision': True,
                    'estimated_revision_effort': '',
                    'reviewer_notes': ''
                }
            )
        except Exception as e:
            print(f"▸️  评审结果解析失败: {e}")
            # 返回默认的评审结果（需要修改）
            return {
                'score': 60,
                'grade': '需改进',
                'dimension_scores': {},
                'detailed_feedback': {'strengths': [], 'issues': [{'problem': '评审结果解析失败'}]},
                'revision_plan': {'priority_changes': [], 'minor_improvements': []},
                'needs_revision': True,
                'estimated_revision_effort': '未知',
                'reviewer_notes': f'评审结果解析失败: {str(e)}'
            }


class RevisionAgent:
    """
    修改 Agent - 使用 SimpleAgent 模式
    
    根据评审意见修改内容
    """
    
    def __init__(self):
        from hello_agents import SimpleAgent
        from prompts import get_revision_prompt
        
        self.llm = LLMService.get_llm()
        self.revision_prompt = get_revision_prompt()
        
        self.agent = SimpleAgent(
            name="内容修改专家",
            llm=self.llm,
            system_prompt="你是一位专业的内容创作者，擅长根据评审意见修改和优化文章。"
        )
    
    def revise_content(
        self,
        original_content: str,
        review_result: 'ReviewResult',
        target_word_count: int
    ) -> Dict[str, Any]:
        """
        根据评审意见修改内容
        
        Args:
            original_content: 原始内容
            review_result: 评审结果
            target_word_count: 目标字数
            
        Returns:
            修改后的内容数据
        """
        print(f"\n▸ RevisionAgent 开始修改内容...")
        print(f"   原始评分: {review_result.score}/100")
        
        current_word_count = len(original_content)
        word_count_min = int(target_word_count * 0.9)
        word_count_max = int(target_word_count * 1.1)
        
        # 计算字数调整建议
        if current_word_count < word_count_min:
            word_count_adjustment = f"需要增加约 {word_count_min - current_word_count} 字"
        elif current_word_count > word_count_max:
            word_count_adjustment = f"需要删减约 {current_word_count - word_count_max} 字"
        else:
            word_count_adjustment = "字数在合理范围内"
        
        # 格式化评审信息
        strengths = "\n".join([f"- {s}" for s in review_result.detailed_feedback.get('strengths', [])])
        issues = "\n".join([
            f"- [{issue.get('category', '未知')}] {issue.get('problem', '')}: {issue.get('suggestion', '')}"
            for issue in review_result.detailed_feedback.get('issues', [])
        ])
        priority_changes = "\n".join([
            f"- **{change.get('section', '')}**: {change.get('action', '')} - {change.get('detail', '')}"
            for change in review_result.revision_plan.get('priority_changes', [])
        ])
        minor_improvements = "\n".join([
            f"- {imp.get('section', '')}: {imp.get('detail', '')}"
            for imp in review_result.revision_plan.get('minor_improvements', [])
        ])
        
        # 构建修改任务
        task = self.revision_prompt.format(
            original_content=original_content,
            score=review_result.score,
            grade=review_result.grade,
            strengths=strengths or "无",
            issues=issues or "无",
            reviewer_notes=review_result.reviewer_notes or "无",
            priority_changes=priority_changes or "无",
            minor_improvements=minor_improvements or "无",
            word_count_range=f"{word_count_min}-{word_count_max}",
            current_word_count=current_word_count,
            word_count_adjustment=word_count_adjustment
        )
        
        response = self.agent.run(task)
        revised_data = self._extract_json(response)
        
        print(f"▸ 修改完成")
        print(f"   修改后字数: {revised_data.get('word_count', len(revised_data.get('revised_content', '')))}")
        
        return revised_data
    
    def _extract_json(self, response: str) -> Dict[str, Any]:
        """从响应中提取 JSON"""
        try:
            data = JSONExtractor.extract(
                response,
                required_fields=['revised_content'],
                fallback_fields={
                    'revision_summary': {'major_changes': [], 'minor_changes': [], 'preserved_strengths': []},
                    'word_count': 0,
                    'word_count_change': ''
                }
            )
            # 如果没有 word_count，计算一下
            if not data.get('word_count'):
                data['word_count'] = len(data.get('revised_content', ''))
            return data
        except Exception as e:
            print(f"▸️  修改结果解析失败: {e}")
            raise


class ReflectionWriterAgent:
    """
    反思写作 Agent - 使用 ReflectionAgent 模式
    
    ReflectionAgent 通过自我反思和迭代优化来改进输出，将评审和修改整合为一个 Agent：
    1. 生成初稿
    2. 自我评审（反思）
    3. 根据反思修改（优化）
    4. 达到质量标准
    """
    
    def __init__(self):
        self.llm = LLMService.get_llm()
        
        # 自定义 Reflection 提示词
        reflection_prompts = {
            "initial": """
你是一位专业的内容创作者。请撰写以下内容的初稿：

{task}

请输出完整的 JSON 格式内容。
""",
            "reflect": """
你是一位严格的内容评审专家。请评审以下内容：

# 写作任务: {task}
# 内容初稿: {content}

请从以下维度评审：
1. **内容质量** (40分): 准确性、完整性、深度、原创性
2. **结构逻辑** (30分): 层次清晰、逻辑连贯、过渡自然
3. **语言表达** (20分): 易读性、专业性、准确性
4. **格式规范** (10分): 字数达标、格式正确、排版美观

如果内容质量很好（85分以上），请回答"无需改进"。
否则，请详细指出问题并提供具体的修改建议。
""",
            "refine": """
请根据评审意见优化你的内容：

# 原始任务: {task}
# 当前内容: {last_attempt}
# 评审意见: {feedback}

请输出优化后的完整 JSON 格式内容。
"""
        }
        
        self.agent = ReflectionAgent(
            name="反思写作专家",
            llm=self.llm,
            custom_prompts=reflection_prompts,
            max_iterations=2  # 最多反思 2 次
        )
    
    def generate_and_refine_content(
        self,
        node: ContentNode,
        context: Dict[str, Any],
        level: int
    ) -> Dict[str, Any]:
        """
        生成并反思优化内容
        
        Args:
            node: 当前节点
            context: 写作上下文
            level: 当前层级
            
        Returns:
            优化后的内容数据
        """
        print(f"\n▸ ReflectionAgent 开始写作并自我反思...")
        print(f"   使用模式: 初稿 → 自我评审 → 优化")
        
        structure_requirements = get_structure_requirements(level)
        word_count = get_word_count(level)
        
        task_description = f"""
## 写作任务

**层级**: Level {level}/3
**话题**: {node.title}
**描述**: {node.description}
**要求字数**: {word_count} 字（允许误差±10%）

**结构要求**:
{structure_requirements}

**上下文**:
{json.dumps(context, ensure_ascii=False, indent=2)}

请输出完整的 JSON 格式内容：
```json
{{
  "title": "章节标题",
  "level": {level},
  "content": "正文内容（markdown格式）",
  "word_count": 实际字数,
  "needs_expansion": true/false,
  "subsections": [...],
  "metadata": {{...}}
}}
```
"""
        
        response = self.agent.run(task_description)
        content_data = self._extract_json(response)
        
        print(f"▸ ReflectionAgent 完成反思优化")
        
        return content_data
    
    def _extract_json(self, response: str) -> Dict[str, Any]:
        """从响应中提取 JSON（使用统一的 JSONExtractor）"""
        try:
            return JSONExtractor.extract(
                response,
                required_fields=['content'],
                fallback_fields={
                    'subsections': [],
                    'metadata': {},
                    'needs_expansion': False
                }
            )
        except Exception as e:
            print(f"▸️  JSON 解析失败: {e}")
            raise