//! 对话持久化 + Token 累加器

use std::sync::Arc;

use tokio::sync::Mutex;

use df_storage::crud::AiConversationRepo;
use df_storage::db::Database;

use crate::commands::now_millis;

use super::commands::message_to_record;
use super::AiSession;

/// Token 用量累加器(agent loop 生命周期内各轮叠加)
///
/// 纯结构 + 方法:抽自 run_agentic_loop 的 `total_prompt`/`total_completion` 双计数器,
/// 保证多轮累加、None 起始、跨 loop 实例叠加语义一致且可单测。
#[derive(Debug, Clone, Default)]
pub(crate) struct TokenAccumulator {
    prompt: u32,
    completion: u32,
}

impl TokenAccumulator {
    /// 叠加一轮用量(round_usage 为本轮流式末 chunk 的累计用量)
    ///
    /// saturating_add:恶意/异常 provider 返回巨大值时,避免 u32 += 溢出回绕打乱后续 budget 判定。
    pub(crate) fn add(&mut self, prompt: u32, completion: u32) {
        self.prompt = self.prompt.saturating_add(prompt);
        self.completion = self.completion.saturating_add(completion);
    }

    pub(crate) fn prompt(&self) -> u32 {
        self.prompt
    }

    pub(crate) fn completion(&self) -> u32 {
        self.completion
    }

    pub(crate) fn total(&self) -> u32 {
        self.prompt.saturating_add(self.completion)
    }
}

/// 把单轮增量叠加到 DB 的 Option<i64> 字段(读旧值+增量,跨 loop 实例防覆盖)
///
/// 纯函数:抽自 save_conversation 的 token 累加逻辑,None 起始当作 0。
/// saturating_add:长期对话累积接近 i64::MAX 时不再翻负,封顶在 i64::MAX(统计语义安全,
/// 溢出回绕成负值会污染前端用量展示与计费/限额判定)。
pub(crate) fn accumulate_tokens(old: Option<i64>, add: u32) -> Option<i64> {
    Some(old.unwrap_or(0).saturating_add(add as i64))
}

/// 持久化截断阈值:超过此长度的消息 content 落库前截断头尾各保 HEAD/TAIL 字符。
///
/// 防 read_file 1MB 洞 / list_directory 大体量结果落库后每轮重发累积致 token 暴增
/// (Sprint 19 实测单对话 in=115万 / 消息体 1.6MB)。仅作用于持久化视图,不污染内存真相源。
///
/// B-260619-02:50KB → 8KB 收紧。治 GLM 1214 messages 非法根因——GLM anthropic 端点对
/// 单条 tool_result content 限制更严(实测 ~10-20KB 即拒 1214),read_file 默认前 500 行源码
/// 约 11-21KB,旧 50KB 阈值未触发→DB 存全量→reload/下轮重发→GLM 1214 整请求失败。
/// 8KB 对齐 GLM 单条上限留余量;截断后 LLM 仍能据截断片段推理(优于 1214 直接拒收)。
pub(crate) const TRUNCATE_THRESHOLD: usize = 8_192;
const TRUNCATE_HEAD: usize = 3_072;
const TRUNCATE_TAIL: usize = 3_072;

/// 落库前对超长 content 做截断(保留头尾各 ~3KB + 中段标注省略字符数 + 总字节数)。
/// 8KB 阈值以下原样返回(零开销);按字符而非字节切避免 UTF-8 切坏中文。
/// 截断提示含原始字节数,让 LLM 明确感知非全文(防它误以为已看全)。
pub(crate) fn truncate_for_persist(content: &str) -> String {
    let chars: Vec<char> = content.chars().collect();
    if chars.len() <= TRUNCATE_THRESHOLD {
        return content.to_string();
    }
    let head: String = chars.iter().take(TRUNCATE_HEAD).collect();
    let tail: String = chars[chars.len() - TRUNCATE_TAIL..].iter().collect();
    let omitted = chars.len() - TRUNCATE_HEAD - TRUNCATE_TAIL;
    format!(
        "{}\n\n[...省略 {} 字符(已截断,原 {} 字节,仅显示前 8KB,完整内容仅在内存态可读)...]\n\n{}",
        head, omitted, content.len(), tail
    )
}

/// 落库前对 `ChatMessage.parts` 做截断(F-260614-05 Phase 2a)。
///
/// - `Text` 片:复用 `truncate_for_persist` 头尾截断语义(单 Text 片 > 8KB 才截)。
/// - `Image` 片:base64 通常已 8KB+,落库前替换为占位 `Text` 片
///   `<image: base64 已省略, 共 N 字节>`,避免大体量图把对话 JSON 撑爆
///   (一张 1MB PNG 的 base64 ≈ 1.3MB 字符串)。原 Image 片仅在内存真相源(ContextManager)
///   保留,重发时仍带图——对齐现有「持久化视图不污染内存真相源」约定。
/// - `Image` url 模式(无 base64):url 本身短,原样保留。
///
/// 返回 None 表示 parts 无需保留(全空或全部被替换且原 parts 仅含图);调用方据此清空 parts。
pub(crate) fn truncate_parts_for_persist(parts: &[df_ai::provider::ContentPart]) -> Option<Vec<df_ai::provider::ContentPart>> {
    use df_ai::provider::ContentPart;
    let mut out: Vec<ContentPart> = Vec::with_capacity(parts.len());
    let mut changed = false;
    for p in parts {
        match p {
            ContentPart::Text { text } => {
                let truncated = truncate_for_persist(text);
                if truncated.len() != text.len() {
                    changed = true;
                }
                out.push(ContentPart::Text { text: truncated });
            }
            ContentPart::Image { url, base64, media_type, alt } => {
                // base64 模式:体量大,替换占位 Text 片
                if let Some(b) = base64 {
                    let base64_len = b.len(); // 纯 base64 字符串长度（不含 data: 前缀）
                    let placeholder = format!("<image: base64 已省略, 共约 {} 字符>", base64_len);
                    out.push(ContentPart::Text { text: placeholder });
                    changed = true;
                } else {
                    // url 模式:url 短,原样保留(含 media_type/alt)
                    out.push(ContentPart::Image {
                        url: url.clone(),
                        base64: None,
                        media_type: media_type.clone(),
                        alt: alt.clone(),
                    });
                }
            }
        }
    }
    if out.is_empty() {
        None
    } else if changed {
        Some(out)
    } else {
        // 无变化:返回克隆的原 parts(保持引用语义一致)
        Some(parts.to_vec())
    }
}

/// 保存对话到数据库（按 conv_id 写库，不受 active_conversation_id 切换影响）
///
/// 写 ai_messages(每条消息一行,F-260619-03 拆分存储)+ updated_at + 累加 token 用量 +
/// 首次落库的 model;标题由 ensure_conversation_title 单独生成。
/// token 走累加模式:upsert 读旧值叠加,保证审批暂停→恢复跨 loop 实例不覆盖丢失。
/// model 仅首次落库写入 + 旧记录缺值时补填(不覆盖历史已存值,兼容本次改造前的老对话)。
///
/// F-260619-03 批次 B:写路径切 ai_messages(全量重写,replace_conversation)。
///   内存 ContextManager 是运行时真相源,save 是同步点——每轮全量回写 ai_messages,
///   compress/replace/edit/clear_context 内存改 status/content 后下轮 save 自动覆盖。
///   旧 messages JSON 列**保留不写**(作备份,防 reload fallback 读旧脏数据),不赋新值也不置空。
pub(crate) async fn save_conversation(
    session_arc: &Arc<Mutex<AiSession>>,
    db: &Arc<Database>,
    conv_id: &str,
    usage: Option<&df_ai::provider::TokenUsage>,
    model: Option<&str>,
    touch_updated_at: bool,
) {
    // 取 messages + 懒创建首次落库所需的 provider_id/created_at
    // 工具结果(content)超 8KB(B-260619-02:50KB→8KB,治 GLM 1214)时截断头尾各 ~3KB + 中段
    // 标注(含原字节数),防大体量结果(read_file 1MB 洞 / list_directory 13782 项)落库后每轮重发
    // 累积致 token 暴增。仅影响持久化视图,不污染内存真相源(ContextManager)——build_for_request
    // 仍读全量 messages。
    //
    // F-260616-09 B 批4:per_conv.messages 唯一真相源(conv_id 来源:本函数入参,与 save 落库的 conv 一致)。
    //   loop 内 save 由 run_agentic_loop 入参 conv_id 透传;IPC 路径(commands.rs)save 也传 conv_id。
    //   conv() 惰性建:save 路径 conv 必然已建(send/regenerate/edit/switch 均先 conv());若极端
    //   未建(如启动恢复无 live conv),conv() 建空 PerConvState,save 空 messages(幂等不污染)。
    let (persist_msgs, provider_id, created_at) = {
        let mut session = session_arc.lock().await;
        let mut msgs = session.conv(conv_id).messages.all_messages_clone();
        for m in &mut msgs {
            // P0-2:tool result 是结构化 JSON(provider 读工具返回原样),
            // 中段截断会插裸换行+中文省略标记破坏 JSON 结构致 reload/重发 parse FAIL
            // (实测 tool result read 大文件后落库 Invalid control character @pos3072)。
            // tool result 体量已由 read_file limit 控源,此处跳过 content 截断,仅截 assistant/user 文本。
            if !matches!(m.role, df_ai::provider::MessageRole::Tool) {
                m.content = truncate_for_persist(&m.content);
            }
            // F-260614-05 Phase 2a: parts(Image base64) 同样截断(替换占位 Text 片),
            // 防大体量图把对话 JSON 撑爆。仅作用于持久化副本,不污染内存真相源。
            if let Some(parts) = m.parts.as_ref() {
                m.parts = truncate_parts_for_persist(parts);
            }
        }
        (
            msgs,
            session.active_provider_id.clone(),
            session.active_conv_created_at.clone(),
        )
    };

    // F-260619-03 批次 B:映射 Vec<ChatMessage> → Vec<AiMessageRecord>(带 seq 索引 + conv_id)
    //   全量重写 ai_messages(单事务 DELETE + INSERT OR IGNORE,原子无中间空窗)。
    //   created_at 用对话级 created_at(老对话 None 时 now 兜底),保证消息创建时间与对话一致。
    let now = now_millis();
    let msg_created_at = created_at.clone().unwrap_or_else(|| now.clone());
    let records: Vec<df_storage::models::AiMessageRecord> = persist_msgs
        .iter()
        .enumerate()
        .map(|(seq, m)| message_to_record(m, conv_id, seq as i64, &msg_created_at))
        .collect();

    let conv_repo = AiConversationRepo::new(db);
    let msg_repo = df_storage::crud::AiMessageRepo::new(db);
    match conv_repo.get_by_id(conv_id).await {
        Ok(Some(mut rec)) => {
            // 已落库:更新对话元数据(token/model/updated_at);messages JSON 列**不赋新值**(保留旧值作备份)。
            //   updated_at 按 touch_updated_at 条件改(用户活跃=true 反映最后活跃,
            //   系统摘要/压缩=false 防会话时间分组"昨天→今天"跳变);
            //   token 累加(读旧值+新值,跨 loop 实例防覆盖)。
            if touch_updated_at {
                rec.updated_at = now_millis();
            }
            if let Some(u) = usage {
                rec.prompt_tokens = accumulate_tokens(rec.prompt_tokens, u.prompt_tokens);
                rec.completion_tokens = accumulate_tokens(rec.completion_tokens, u.completion_tokens);
            }
            // model: 旧记录缺值时补填(不覆盖已有);models: 去重追加用过的所有 model(JSON 数组)
            if let Some(m) = model {
                if rec.model.is_none() { rec.model = Some(m.to_string()); }
                let mut list: Vec<String> = rec.models
                    .as_deref()
                    .and_then(|s| serde_json::from_str(s).ok())
                    .unwrap_or_default();
                if !list.iter().any(|x| x == m) { list.push(m.to_string()); }
                rec.models = Some(serde_json::to_string(&list).unwrap_or_else(|_| "[]".to_string()));
            }
            // update_full 仍写 messages 列(保留旧值,本批不改 messages 字段),写元数据 + updated_at
            if let Err(e) = conv_repo.update_full(&rec).await {
                tracing::warn!("更新对话元数据失败 {conv_id}: {e}");
            }
            // 消息拆分存储:全量重写 ai_messages
            if let Err(e) = msg_repo.replace_conversation(conv_id, records).await {
                tracing::warn!("全量重写 ai_messages 失败 {conv_id}: {e}");
            }
        }
        Ok(None) => {
            // 懒创建首次落库(此为空对话不落库的落库点:走到这里 messages 必非空)
            //   messages JSON 列首次落库也写(兼容未跑迁移的老库 fallback 读路径),
            //   同时写 ai_messages(新读路径真相源)。
            let messages_json = serde_json::to_string(&persist_msgs).unwrap_or_else(|_| "[]".to_string());
            let conv_created = created_at.unwrap_or_else(|| now.clone());
            let rec = df_storage::models::AiConversationRecord {
                id: conv_id.to_string(),
                title: None,
                messages: messages_json,
                provider_id,
                model: model.map(|m| m.to_string()),
                models: model.map(|m| serde_json::to_string(&[m]).unwrap_or_else(|_| "[]".to_string())),
                archived: false,
                pinned: false,
                prompt_tokens: usage.map(|u| u.prompt_tokens as i64),
                completion_tokens: usage.map(|u| u.completion_tokens as i64),
                created_at: conv_created.clone(),
                updated_at: now,
            };
            if let Err(e) = conv_repo.insert(rec).await {
                tracing::warn!("落库对话失败 {conv_id}: {e}");
            }
            // 消息拆分存储:首次落库同样全量写 ai_messages
            //   (records 已用 conv_created 作 created_at,与对话记录一致)
            if let Err(e) = msg_repo.replace_conversation(conv_id, records).await {
                tracing::warn!("首次写 ai_messages 失败 {conv_id}: {e}");
            }
        }
        Err(e) => tracing::warn!("读取对话 {conv_id} 失败: {e}"),
    }
}

#[cfg(test)]
mod tests {
    use super::*;

    // ---------- TokenAccumulator + accumulate_tokens ----------

    #[test]
    fn accumulator_starts_zero() {
        let acc = TokenAccumulator::default();
        assert_eq!(acc.prompt(), 0);
        assert_eq!(acc.completion(), 0);
        assert_eq!(acc.total(), 0);
    }

    #[test]
    fn accumulator_single_add() {
        let mut acc = TokenAccumulator::default();
        acc.add(100, 50);
        assert_eq!(acc.prompt(), 100);
        assert_eq!(acc.completion(), 50);
        assert_eq!(acc.total(), 150);
    }

    #[test]
    fn accumulator_multi_round_accumulation() {
        // 多轮累加(模拟 agent loop 多次迭代)
        let mut acc = TokenAccumulator::default();
        acc.add(100, 20); // 轮1
        acc.add(200, 40); // 轮2
        acc.add(50, 10);  // 轮3
        assert_eq!(acc.prompt(), 350);
        assert_eq!(acc.completion(), 70);
        assert_eq!(acc.total(), 420);
    }

    #[test]
    fn accumulator_add_zero_is_noop() {
        let mut acc = TokenAccumulator::default();
        acc.add(10, 5);
        acc.add(0, 0);
        assert_eq!(acc.total(), 15);
    }

    #[test]
    fn accumulate_tokens_from_none() {
        // 新记录(None 起始)落库
        assert_eq!(accumulate_tokens(None, 100), Some(100));
        assert_eq!(accumulate_tokens(None, 0), Some(0));
    }

    #[test]
    fn accumulate_tokens_adds_to_existing() {
        // 跨 loop 实例叠加:旧值 + 新增不覆盖
        assert_eq!(accumulate_tokens(Some(500), 100), Some(600));
        assert_eq!(accumulate_tokens(Some(0), 42), Some(42));
    }

    #[test]
    fn accumulate_tokens_multi_round_db_simulation() {
        // 模拟 save_conversation 多次落库累加(审批暂停→恢复跨 loop)
        let mut field: Option<i64> = None;
        field = accumulate_tokens(field, 100); // 首次
        field = accumulate_tokens(field, 200); // 二次
        field = accumulate_tokens(field, 50);  // 三次
        assert_eq!(field, Some(350));
    }

    #[test]
    fn accumulator_and_db_accumulate_are_consistent() {
        // loop 内 TokenAccumulator 与落库 accumulate_tokens 总量语义一致
        let mut acc = TokenAccumulator::default();
        let mut db_prompt: Option<i64> = None;
        let mut db_completion: Option<i64> = None;
        for (p, c) in [(100u32, 20u32), (200, 40), (50, 10)] {
            acc.add(p, c);
            db_prompt = accumulate_tokens(db_prompt, p);
            db_completion = accumulate_tokens(db_completion, c);
        }
        assert_eq!(acc.prompt() as i64, db_prompt.unwrap());
        assert_eq!(acc.completion() as i64, db_completion.unwrap());
    }

    // ---------- truncate_for_persist ----------

    #[test]
    fn truncate_short_content_unchanged() {
        // 阈值以下原样返回
        assert_eq!(truncate_for_persist("hello"), "hello");
        assert_eq!(truncate_for_persist(""), "");
        let near_limit: String = "a".repeat(TRUNCATE_THRESHOLD);
        assert_eq!(truncate_for_persist(&near_limit).len(), TRUNCATE_THRESHOLD);
    }

    #[test]
    fn truncate_long_content_keeps_head_and_tail() {
        // 超阈值:保留头尾各 TRUNCATE_HEAD/TAIL 字符 + 中段标注
        let long: String = "x".repeat(TRUNCATE_THRESHOLD + 1000);
        let result = truncate_for_persist(&long);
        // 头尾各 20k 字符应在结果中
        assert!(result.starts_with(&"x".repeat(TRUNCATE_HEAD)));
        assert!(result.ends_with(&"x".repeat(TRUNCATE_TAIL)));
        // 中段标注存在 + 标注省略字符数(中段 = 总长 - 头 - 尾 = 9192 - 3072 - 3072 = 3048)
        assert!(result.contains("已截断"));
        assert!(result.contains("省略 3048 字符"));
        // B-260619-02:截断提示含原字节数(9192 个 'x' = 9192 字节),让 LLM 感知非全文
        assert!(result.contains("原 9192 字节"));
        // 结果总长应远小于原长(20k 头 + 20k 尾 + 标注)
        assert!(result.chars().count() < TRUNCATE_THRESHOLD + 1000);
    }

    #[test]
    fn truncate_preserves_utf8_chinese() {
        // 按字符切不切坏 UTF-8 中文
        let chinese: String = "中".repeat(TRUNCATE_THRESHOLD + 500);
        let result = truncate_for_persist(&chinese);
        assert!(result.starts_with('中'));
        assert!(result.ends_with('中'));
        assert!(result.contains("已截断"));
    }

    // ---------- F-260614-05 Phase 2a truncate_parts_for_persist ----------

    #[test]
    fn truncate_parts_image_base64_replaced_with_placeholder() {
        use df_ai::provider::ContentPart;
        let parts = vec![
            ContentPart::text("前缀文本"),
            ContentPart::image_base64("image/png", &"A".repeat(60_000)),
            ContentPart::text("后缀"),
        ];
        let out = truncate_parts_for_persist(&parts).expect("应有结果");
        // Image base64 被替换为占位 Text 片
        assert!(out.iter().all(|p| !matches!(p, ContentPart::Image { base64: Some(_), .. })));
        let placeholder = out.iter().find_map(|p| match p {
            ContentPart::Text { text } if text.contains("base64 已省略") => Some(text.clone()),
            _ => None,
        }).expect("应含占位 Text 片");
        assert!(placeholder.contains("60000"));
        // 非 base64 的 Text 片保留原值
        assert!(out.iter().any(|p| matches!(p, ContentPart::Text { text } if text == "前缀文本")));
        assert!(out.iter().any(|p| matches!(p, ContentPart::Text { text } if text == "后缀")));
    }

    #[test]
    fn truncate_parts_image_url_preserved() {
        use df_ai::provider::ContentPart;
        // url 模式:url 短,原样保留(含 media_type)
        let parts = vec![ContentPart::Image {
            url: Some("https://x/a.png".into()),
            base64: None,
            media_type: None,
            alt: None,
        }];
        let out = truncate_parts_for_persist(&parts).expect("应有结果");
        assert!(matches!(out[0], ContentPart::Image { ref url, .. } if url.as_deref() == Some("https://x/a.png")));
    }

    #[test]
    fn truncate_parts_long_text_part_truncated() {
        use df_ai::provider::ContentPart;
        // 单 Text 片超阈值 → 头尾截断
        let long: String = "x".repeat(TRUNCATE_THRESHOLD + 1000);
        let parts = vec![ContentPart::Text { text: long }];
        let out = truncate_parts_for_persist(&parts).expect("应有结果");
        match &out[0] {
            ContentPart::Text { text } => assert!(text.contains("已截断"), "超长 Text 片应被截断"),
            _ => panic!("应仍是 Text 片"),
        }
    }

    #[test]
    fn truncate_parts_empty_returns_none() {
        assert_eq!(truncate_parts_for_persist(&[]), None);
    }

    // ---------- P0-2: tool role content 不截断(防 JSON 结构破坏) ----------

    /// 辅助:构造指定 role + content 的 ChatMessage,用 provider 全路径类型
    fn make_msg(role: df_ai::provider::MessageRole, content: &str) -> df_ai::provider::ChatMessage {
        df_ai::provider::ChatMessage {
            id: None,
            role,
            content: content.to_string(),
            parts: None,
            tool_call_id: None,
            tool_calls: None,
            model: None,
            status: None,
            reasoning_content: None,
            timestamp: None,
        }
    }

    /// save_conversation 的 content 截断决策片段(抽测 role 分支,避免起 DB/锁)。
    /// 对 tool role 跳过截断,其余 role 走截断。
    fn truncate_decision(m: &mut df_ai::provider::ChatMessage) {
        if !matches!(m.role, df_ai::provider::MessageRole::Tool) {
            m.content = truncate_for_persist(&m.content);
        }
    }

    #[test]
    fn tool_role_large_content_not_truncated() {
        // tool result 是结构化 JSON,中段截断插裸换行+省略标记会破坏 JSON parse。
        // >8192(阈值)的 tool content 必须原样保留(不进 truncate_for_persist)。
        let json_like = format!(
            "{{\"file\":\"x.rs\",\"content\":\"{}\"}}",
            "a".repeat(TRUNCATE_THRESHOLD + 2000)
        );
        let original = json_like.clone();
        let mut m = make_msg(df_ai::provider::MessageRole::Tool, &json_like);
        truncate_decision(&mut m);
        // 关键断言:tool role 不截断,原样保留(长度与内容完全一致)
        assert_eq!(m.content.len(), original.len(), "tool role content 不应被截断");
        assert_eq!(m.content, original, "tool role content 原样保留");
        // 不含截断标记(证明未进 truncate_for_persist)
        assert!(!m.content.contains("已截断"), "tool role 不应含截断标注");
    }

    #[test]
    fn assistant_role_large_content_still_truncated() {
        // 对照:assistant role 超阈值仍截断(回归保护)
        let long: String = "x".repeat(TRUNCATE_THRESHOLD + 1000);
        let mut m = make_msg(df_ai::provider::MessageRole::Assistant, &long);
        truncate_decision(&mut m);
        assert!(m.content.contains("已截断"), "assistant role 超阈值应截断");
        assert!(m.content.len() < long.len(), "assistant role 截断后应变短");
    }

    #[test]
    fn tool_role_short_content_unchanged() {
        // 短 tool content:即使进了 truncate_for_persist 也不会改(阈值以下),
        // 但此处验证 role 分支本身对短 tool content 也安全(原样保留)。
        let short = r#"{"ok":true,"rows":3}"#;
        let mut m = make_msg(df_ai::provider::MessageRole::Tool, short);
        truncate_decision(&mut m);
        assert_eq!(m.content, short);
    }
}