"""
AI 模块使用示例

演示如何使用 AI 模块进行文本分类
"""

import sys
import os

# 添加项目根目录到 Python 路径
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))

from src.core.ai import (
    CategoryType,
    ClassificationResult,
    AIClassifier,
    classify_text,
)


def example_classify_with_openai():
    """
    示例 1: 使用 OpenAI 进行分类

    注意：需要安装 openai 库并配置 API key
    pip install openai
    """
    print("=" * 60)
    print("示例 1: 使用 OpenAI 进行分类")
    print("=" * 60)
    print()

    # 创建 OpenAI 客户端
    client = AIClassifier.create_client(
        provider="openai",
        api_key="your-openai-api-key",  # 替换为实际的 API key
        model="gpt-4o-mini",
        temperature=0.7,
        max_tokens=2000,
    )

    # 测试文本
    test_text = """
    今天要完成的任务：
    1. 完成项目文档
    2. 修复 Bug #123
    3. 参加团队会议
    4. 代码审查
    """

    print(f"输入文本:\n{test_text}\n")

    # 进行分类
    try:
        result = client.classify(test_text)

        print("分类结果:")
        print(f"  分类: {result.category}")
        print(f"  置信度: {result.confidence:.2f}")
        print(f"  标题: {result.title}")
        print(f"  标签: {', '.join(result.tags)}")
        print(f"  理由: {result.reasoning}")
        print(f"\n生成的 Markdown 内容:")
        print(result.content)

    except Exception as e:
        print(f"分类失败: {e}")
        print("提示：请确保已安装 openai 库并配置正确的 API key")


def example_classify_with_claude():
    """
    示例 2: 使用 Claude 进行分类

    注意：需要安装 anthropic 库并配置 API key
    pip install anthropic
    """
    print("\n" + "=" * 60)
    print("示例 2: 使用 Claude 进行分类")
    print("=" * 60)
    print()

    # 创建 Claude 客户端
    client = AIClassifier.create_client(
        provider="anthropic",
        api_key="your-anthropic-api-key",  # 替换为实际的 API key
        model="claude-3-5-sonnet-20241022",
        temperature=0.7,
        max_tokens=2000,
    )

    # 测试文本 - 笔记类型
    test_text = """
    Python 装饰器是一种强大的功能，它允许在不修改原函数代码的情况下增强函数功能。

    基本语法：
    @decorator_name
    def function():
        pass

    常见用途：
    - 日志记录
    - 性能测试
    - 权限验证
    - 缓存
    """

    print(f"输入文本:\n{test_text}\n")

    # 进行分类
    try:
        result = client.classify(test_text)

        print("分类结果:")
        print(f"  分类: {result.category}")
        print(f"  置信度: {result.confidence:.2f}")
        print(f"  标题: {result.title}")
        print(f"  标签: {', '.join(result.tags)}")
        print(f"  理由: {result.reasoning}")
        print(f"\n生成的 Markdown 内容:")
        print(result.content)

    except Exception as e:
        print(f"分类失败: {e}")
        print("提示：请确保已安装 anthropic 库并配置正确的 API key")


def example_classify_with_qwen():
    """
    示例 3: 使用通义千问进行分类

    注意：需要阿里云 API key
    """
    print("\n" + "=" * 60)
    print("示例 3: 使用通义千问进行分类")
    print("=" * 60)
    print()

    # 创建通义千问客户端
    client = AIClassifier.create_client(
        provider="qwen",
        api_key="your-qwen-api-key",  # 替换为实际的 API key
        model="qwen-turbo",
        temperature=0.7,
        max_tokens=2000,
    )

    # 测试文本 - 灵感类型
    test_text = """
    突然想到一个产品创意：做一个智能截图管理工具！

    核心功能：
    - 自动 OCR 识别截图文字
    - AI 智能分类整理
    - 自动生成待办事项
    - 云端同步多设备

    技术栈：
    - Python + PyQt6 桌面应用
    - PaddleOCR 本地识别
    - OpenAI/Claude AI 分类
    - SQLite 本地存储
    """

    print(f"输入文本:\n{test_text}\n")

    # 进行分类
    try:
        result = client.classify(test_text)

        print("分类结果:")
        print(f"  分类: {result.category}")
        print(f"  置信度: {result.confidence:.2f}")
        print(f"  标题: {result.title}")
        print(f"  标签: {', '.join(result.tags)}")
        print(f"  理由: {result.reasoning}")
        print(f"\n生成的 Markdown 内容:")
        print(result.content)

    except Exception as e:
        print(f"分类失败: {e}")
        print("提示：请确保已配置正确的通义千问 API key")


def example_classify_with_ollama():
    """
    示例 4: 使用本地 Ollama 进行分类

    注意：需要先安装并运行 Ollama
    https://ollama.ai/
    """
    print("\n" + "=" * 60)
    print("示例 4: 使用本地 Ollama 进行分类")
    print("=" * 60)
    print()

    # 创建 Ollama 客户端
    client = AIClassifier.create_client(
        provider="ollama",
        api_key="",  # Ollama 不需要 API key
        model="llama3.2",  # 或其他已下载的模型
        temperature=0.7,
        max_tokens=2000,
        timeout=120,  # 本地模型可能需要更长时间
    )

    # 测试文本 - 搞笑类型
    test_text = """
    程序员最讨厌的四件事：
    1. 写注释
    2. 写文档
    3. 别人不写注释
    4. 别人不写文档

    为什么程序员总是分不清万圣节和圣诞节？
    因为 Oct 31 == Dec 25
    """

    print(f"输入文本:\n{test_text}\n")

    # 进行分类
    try:
        result = client.classify(test_text)

        print("分类结果:")
        print(f"  分类: {result.category}")
        print(f"  置信度: {result.confidence:.2f}")
        print(f"  标题: {result.title}")
        print(f"  标签: {', '.join(result.tags)}")
        print(f"  理由: {result.reasoning}")
        print(f"\n生成的 Markdown 内容:")
        print(result.content)

    except Exception as e:
        print(f"分类失败: {e}")
        print("提示：请确保已安装并运行 Ollama 服务")


def example_classify_with_config():
    """
    示例 5: 使用配置文件进行分类

    从配置文件读取 AI 配置
    """
    print("\n" + "=" * 60)
    print("示例 5: 使用配置文件进行分类")
    print("=" * 60)
    print()

    try:
        from src.config.settings import get_settings

        # 加载配置
        settings = get_settings()

        # 检查配置
        print("当前 AI 配置:")
        print(f"  提供商: {settings.ai.provider}")
        print(f"  模型: {settings.ai.model}")
        print(f"  温度: {settings.ai.temperature}")
        print(f"  最大 tokens: {settings.ai.max_tokens}")
        print()

        # 测试文本
        test_text = """
        API 接口文档

        GET /api/users
        获取用户列表

        参数：
        - page: 页码（默认 1）
        - limit: 每页数量（默认 20）

        返回：
        {
          "users": [...],
          "total": 100,
          "page": 1
        }
        """

        print(f"输入文本:\n{test_text}\n")

        # 使用配置进行分类
        result = classify_text(test_text, settings.ai)

        print("分类结果:")
        print(f"  分类: {result.category}")
        print(f"  置信度: {result.confidence:.2f}")
        print(f"  标题: {result.title}")
        print(f"  标签: {', '.join(result.tags)}")
        print(f"  理由: {result.reasoning}")
        print(f"\n生成的 Markdown 内容:")
        print(result.content)

    except Exception as e:
        print(f"分类失败: {e}")
        print("提示：请确保已在配置文件中正确设置 AI 配置")


def example_batch_classification():
    """
    示例 6: 批量分类多个文本
    """
    print("\n" + "=" * 60)
    print("示例 6: 批量分类多个文本")
    print("=" * 60)
    print()

    # 测试文本列表
    test_texts = [
        ("今天要完成：写代码、测试、部署", "待办类型"),
        ("Python 列表推导式的用法示例", "笔记类型"),
        ("产品创意：做一个 AI 写作助手", "灵感类型"),
        ("API 接口：POST /api/create", "参考资料"),
        ("程序员的 10 个搞笑瞬间", "搞笑类型"),
    ]

    print("批量分类结果:\n")

    for text, description in test_texts:
        print(f"文本: {description}")
        print(f"内容: {text[:40]}...")
        print(f"预期分类: {description.split('类型')[0]}")
        print(f"实际分类: 需要调用 AI 服务")
        print()


def main():
    """主函数"""
    print("\n")
    print("╔" + "═" * 58 + "╗")
    print("║" + " " * 15 + "AI 模块使用示例" + " " * 15 + "║")
    print("╚" + "═" * 58 + "╝")
    print()

    # 运行示例（注释掉需要 API key 的示例）
    # example_classify_with_openai()
    # example_classify_with_claude()
    # example_classify_with_qwen()
    # example_classify_with_ollama()
    # example_classify_with_config()
    example_batch_classification()

    print("\n" + "=" * 60)
    print("提示")
    print("=" * 60)
    print()
    print("1. 取消注释上面的示例函数来运行特定示例")
    print("2. 替换 'your-api-key' 为实际的 API 密钥")
    print("3. 确保已安装所需的依赖库:")
    print("   pip install openai anthropic")
    print("4. Ollama 需要单独安装和运行")
    print()


if __name__ == "__main__":
    main()