# -*- coding: utf-8 -*-
"""
KI-Service – zentrale Stelle für alle OpenAI-Aufrufe.

Kein Client hat direkten Zugriff auf den API-Key.
Desktop und Web schicken Requests hierher.
"""

import os
import tempfile
from typing import Optional

from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()

_client: Optional[OpenAI] = None

TRANSCRIBE_MODEL = "whisper-1"
DEFAULT_SUMMARY_MODEL = "gpt-4o"

WHISPER_MEDICAL_PROMPT = (
    "Medizinische Konsultation, Arzt-Patient-Gespräch, Schweizerdeutsch und Hochdeutsch. "
    "Medizinische Fachbegriffe: Anamnese, Status, Befund, Diagnose, Therapie, Verlauf, "
    "Medikation, Dosierung, Labor, Röntgen, MRI, CT, Sonographie, EKG, Spirometrie, "
    "ICD-10, SOAP, Krankengeschichte, Kostengutsprache, Arztbrief."
)

DEFAULT_SYSTEM_PROMPT = (
    "Du bist ein medizinischer Dokumentationsassistent. "
    "Erstelle aus dem Transkript eine strukturierte Krankengeschichte im SOAP-Format. "
    "Verwende medizinische Fachterminologie. Sprache: Deutsch."
)


def _get_client() -> OpenAI:
    global _client
    if _client is None:
        api_key = os.getenv("OPENAI_API_KEY", "").strip()
        if not api_key:
            raise RuntimeError("OPENAI_API_KEY nicht gesetzt")
        _client = OpenAI(api_key=api_key)
    return _client


def transcribe_audio(wav_bytes: bytes, language: str = "de") -> dict:
    """WAV-Bytes transkribieren → {"text": "...", "tokens_estimated": int}"""
    client = _get_client()

    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as tmp:
        tmp.write(wav_bytes)
        tmp_path = tmp.name

    try:
        with open(tmp_path, "rb") as f:
            resp = client.audio.transcriptions.create(
                model=TRANSCRIBE_MODEL,
                file=f,
                language=language,
                prompt=WHISPER_MEDICAL_PROMPT,
            )
        text = getattr(resp, "text", "") or ""
        if text.strip().startswith("Medizinische Dokumentation auf Deutsch"):
            text = ""
        tokens_est = len(text) // 4
        return {"text": text, "tokens_estimated": tokens_est}
    finally:
        try:
            os.unlink(tmp_path)
        except OSError:
            pass


def summarize_transcript(
    transcript: str,
    system_prompt: str = "",
    model: str = DEFAULT_SUMMARY_MODEL,
) -> dict:
    """Transkript → Krankengeschichte (SOAP)."""
    client = _get_client()
    sys_prompt = system_prompt or DEFAULT_SYSTEM_PROMPT

    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": sys_prompt},
            {"role": "user", "content": f"TRANSKRIPT:\n{transcript}"},
        ],
    )

    content = resp.choices[0].message.content or ""
    total_tokens = 0
    if hasattr(resp, "usage") and resp.usage:
        total_tokens = getattr(resp.usage, "total_tokens", 0)

    return {"text": content, "tokens_used": total_tokens, "model": model}


def merge_kg(
    existing_kg: str,
    full_transcript: str,
    system_prompt: str = "",
    model: str = DEFAULT_SUMMARY_MODEL,
) -> dict:
    """Bestehende KG mit neuem Transkript zusammenführen."""
    client = _get_client()
    sys_prompt = system_prompt or DEFAULT_SYSTEM_PROMPT

    user_text = (
        f"BESTEHENDE KRANKENGESCHICHTE:\n{existing_kg}\n\n"
        f"VOLLSTÄNDIGES TRANSKRIPT (bisher + Ergänzung):\n{full_transcript}\n\n"
        "Aktualisiere die KG: neue Informationen aus dem Transkript in die "
        "passenden Abschnitte einfügen, gleiche Überschriften beibehalten."
    )

    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": sys_prompt},
            {"role": "user", "content": user_text},
        ],
    )

    content = resp.choices[0].message.content or ""
    total_tokens = 0
    if hasattr(resp, "usage") and resp.usage:
        total_tokens = getattr(resp.usage, "total_tokens", 0)

    return {"text": content, "tokens_used": total_tokens, "model": model}


def chat_completion(
    messages: list[dict],
    model: str = DEFAULT_SUMMARY_MODEL,
) -> dict:
    """Generischer Chat-Completion Aufruf."""
    client = _get_client()

    resp = client.chat.completions.create(model=model, messages=messages)

    content = resp.choices[0].message.content or ""
    total_tokens = 0
    if hasattr(resp, "usage") and resp.usage:
        total_tokens = getattr(resp.usage, "total_tokens", 0)

    return {"text": content, "tokens_used": total_tokens, "model": model}