vector/services/claude_service.py

"""
Claude AI service for case analysis with fallback to scoring service.
Integrates geo_service zones and scoring_service rankings.
"""
import os
import json
from typing import Dict, List, Optional
from pydantic import BaseModel
import httpx

from .geo_service import build_search_zones
from .scoring_service import WeightedScorer


class PrimaryZone(BaseModel):
    priority: int
    name: str
    direction: str
    distance: float
    reason: str


class AnalysisResult(BaseModel):
    urgency: str  # "критическая", "высокая", "средняя", "низкая"
    primary_zones: List[PrimaryZone]
    search_radius_km: float
    key_locations: List[str]
    behavioral_prediction: str
    immediate_actions: List[str]
    summary: str
    fallback_used: bool = False


async def analyze_case(case_data: dict) -> AnalysisResult:
    """
    Анализирует данные случая с помощью Claude API с fallback на scoring_service.

    Интегрирует:
    - geo_service: построение зон поиска
    - scoring_service: оценка и ранжирование зон
    - Claude API: интеллектуальный анализ (если доступен)

    Args:
        case_data: Словарь с данными случая
            - age: возраст
            - gender: пол
            - terrain: местность
            - weather: погода
            - time_missing: время пропажи
            - last_location: последнее местоположение
            - lat, lon: координаты (опционально)
            - profiles: поведенческие профили (опционально)
            - season: сезон (опционально)

    Returns:
        AnalysisResult: Структурированный результат анализа
    """
    # Попытка использовать Claude API
    api_key = os.getenv("ANTHROPIC_API_KEY")

    if api_key:
        try:
            return await analyze_with_claude(case_data, api_key)
        except Exception as e:
            # Логируем ошибку и переходим на fallback
            print(f"Claude API unavailable: {e}. Using fallback scoring service.")

    # Fallback: используем только scoring_service
    return await analyze_with_fallback(case_data)


async def analyze_with_claude(case_data: dict, api_key: str) -> AnalysisResult:
    """
    Анализ с помощью Claude API с интеграцией geo и scoring сервисов.
    """
    # Построить зоны поиска если есть координаты
    zones_data = ""
    if case_data.get('lat') and case_data.get('lon'):
        try:
            zones = await build_search_zones(
                case_data['lat'],
                case_data['lon'],
                case_data
            )

            # Ранжировать зоны
            scorer = WeightedScorer()
            zones_dict = [
                {
                    'direction': z.direction,
                    'distance_km': z.distance_km,
                    'forest_pct': z.forest_pct,
                    'road_density': z.road_density,
                    'water_distance_km': z.water_distance_km,
                    'settlement_distance_km': z.settlement_distance_km
                }
                for z in zones
            ]

            ranked_zones = scorer.rank_zones(zones_dict, case_data)

            # Топ-5 зон для промпта
            top_zones = ranked_zones[:5]
            zones_data = "\n\nТОП-5 ПРИОРИТЕТНЫХ ЗОН (по scoring_service):\n"
            for zone in top_zones:
                zones_data += f"- {zone['direction']} направление, {zone['distance_km']}км: "
                zones_data += f"оценка {zone['score']}/100, "
                zones_data += f"лес {zone['forest_pct']}%, "
                zones_data += f"дороги {zone['road_density']} км/км²\n"
        except Exception as e:
            print(f"Geo/scoring service error: {e}")

    # Формируем промпт на русском языке
    prompt = f"""Ты — эксперт по поисково-спасательным операциям (ПСО) МЧС Республики Беларусь. Проанализируй следующий случай пропажи человека и дай структурированные рекомендации.

ДАННЫЕ СЛУЧАЯ:
- Возраст пропавшего: {case_data.get('age', 'не указан')} лет
- Пол: {case_data.get('gender', 'не указан')}
- Местность: {case_data.get('terrain', 'не указана')}
- Погодные условия: {case_data.get('weather', 'не указаны')}
- Время пропажи: {case_data.get('time_missing', 'не указано')}
- Последнее известное местоположение: {case_data.get('last_location', 'не указано')}
- Особые обстоятельства: {case_data.get('circumstances', 'нет')}
- Физическое состояние: {case_data.get('physical_condition', 'не указано')}
- Опыт нахождения на природе: {case_data.get('experience', 'не указан')}
- Поведенческие профили: {', '.join(case_data.get('profiles', [])) if case_data.get('profiles') else 'нет'}
- Сезон: {case_data.get('season', 'не указан')}{zones_data}

ЗАДАЧА:
Предоставь детальный анализ в формате JSON со следующими полями:

1. urgency: Уровень срочности ("критическая", "высокая", "средняя", "низкая")
2. primary_zones: Массив из 3-5 приоритетных зон поиска, каждая с полями:
   - priority: номер приоритета (1 = самый высокий)
   - name: название зоны (например "Ближний лес", "Водоём на севере")
   - direction: направление от последней точки (N, NE, E, SE, S, SW, W, NW)
   - distance: расстояние в км
   - reason: обоснование выбора этой зоны
3. search_radius_km: Рекомендуемый радиус поиска в километрах
4. key_locations: Массив ключевых типов локаций для проверки (водоемы, дороги, постройки и т.д.)
5. behavioral_prediction: Прогноз поведения пропавшего на основе возраста и обстоятельств
6. immediate_actions: Массив немедленных действий, которые нужно предпринять
7. summary: Краткое резюме анализа (2-3 предложения)

ВАЖНО: Учитывай данные из scoring_service при формировании primary_zones. Отвечай ТОЛЬКО валидным JSON без дополнительного текста."""

    # Вызываем Anthropic API
    async with httpx.AsyncClient(timeout=60.0) as client:
        response = await client.post(
            "https://api.anthropic.com/v1/messages",
            headers={
                "x-api-key": api_key,
                "anthropic-version": "2023-06-01",
                "content-type": "application/json"
            },
            json={
                "model": "claude-sonnet-4-20250514",
                "max_tokens": 4096,
                "messages": [
                    {
                        "role": "user",
                        "content": prompt
                    }
                ]
            }
        )

        if response.status_code != 200:
            raise Exception(f"Anthropic API error: {response.status_code} - {response.text}")

        result = response.json()
        content = result["content"][0]["text"]

        # Парсим JSON из ответа
        # Убираем возможные markdown блоки кода
        if "```json" in content:
            content = content.split("```json")[1].split("```")[0].strip()
        elif "```" in content:
            content = content.split("```")[1].split("```")[0].strip()

        analysis_data = json.loads(content)
        analysis_data['fallback_used'] = False

        # Преобразуем в Pydantic модель
        return AnalysisResult(**analysis_data)


async def analyze_with_fallback(case_data: dict) -> AnalysisResult:
    """
    Fallback анализ используя только scoring_service без Claude API.
    """
    # Определяем срочность на основе возраста и профилей
    age = case_data.get('age', 10)
    profiles = case_data.get('profiles', [])

    if age <= 4 or 'эпилепсия' in profiles or 'РАС' in profiles:
        urgency = "критическая"
    elif age <= 7 or 'велосипед' in profiles:
        urgency = "высокая"
    elif age <= 12:
        urgency = "средняя"
    else:
        urgency = "средняя"

    # Построить зоны если есть координаты
    primary_zones = []
    search_radius_km = 5.0

    if case_data.get('lat') and case_data.get('lon'):
        try:
            zones = await build_search_zones(
                case_data['lat'],
                case_data['lon'],
                case_data
            )

            # Ранжировать зоны
            scorer = WeightedScorer()
            zones_dict = [
                {
                    'direction': z.direction,
                    'distance_km': z.distance_km,
                    'forest_pct': z.forest_pct,
                    'road_density': z.road_density,
                    'water_distance_km': z.water_distance_km,
                    'settlement_distance_km': z.settlement_distance_km
                }
                for z in zones
            ]

            ranked_zones = scorer.rank_zones(zones_dict, case_data)

            # Топ-5 зон
            for i, zone in enumerate(ranked_zones[:5]):
                primary_zones.append(PrimaryZone(
                    priority=i + 1,
                    name=f"Зона {zone['direction']} {zone['distance_km']}км",
                    direction=zone['direction'],
                    distance=zone['distance_km'],
                    reason=f"Оценка {zone['score']}/100 по scoring_service"
                ))

            # Радиус на основе дистанции
            search_radius_km = scorer.distance_multiplier * 2.0

        except Exception as e:
            print(f"Geo/scoring service error in fallback: {e}")

    # Если зоны не построены, используем базовые
    if not primary_zones:
        primary_zones = [
            PrimaryZone(
                priority=1,
                name="Ближняя зона",
                direction="N",
                distance=0.5,
                reason="Базовая зона поиска"
            ),
            PrimaryZone(
                priority=2,
                name="Средняя зона",
                direction="E",
                distance=1.0,
                reason="Расширенная зона поиска"
            )
        ]

    # Ключевые локации на основе возраста
    if age <= 7:
        key_locations = ["водоёмы", "укрытия", "густая растительность", "ближайшие постройки"]
    elif age <= 12:
        key_locations = ["водоёмы", "дороги", "тропы", "лесные массивы"]
    else:
        key_locations = ["дороги", "населённые пункты", "транспортные узлы", "водоёмы"]

    # Поведенческий прогноз
    if 'РАС' in profiles:
        behavioral_prediction = "Высокий риск движения к водоёмам и ж/д путям. Может не откликаться на имя."
    elif age <= 4:
        behavioral_prediction = "Минимальное движение, вероятно находится близко к точке потери."
    elif age <= 12:
        behavioral_prediction = "Умеренное движение, может следовать по тропам или дорогам."
    else:
        behavioral_prediction = "Целенаправленное движение, возможен выход к населённым пунктам."

    # Немедленные действия
    immediate_actions = [
        "Организовать поисковые группы",
        "Проверить ближайшие водоёмы",
        "Опросить свидетелей в районе последнего местоположения"
    ]

    if 'РАС' in profiles:
        immediate_actions.insert(0, "КРИТИЧНО: Перекрыть все водоёмы и ж/д пути в радиусе 5 км")

    if 'велосипед' in profiles:
        immediate_actions.insert(0, "Расширить зону поиска до 10-15 км, проверить дорожные камеры")

    summary = f"Случай классифицирован как {urgency} срочность. "
    summary += f"Рекомендуемый радиус поиска: {search_radius_km} км. "
    summary += f"Приоритет: {key_locations[0]}."

    return AnalysisResult(
        urgency=urgency,
        primary_zones=primary_zones,
        search_radius_km=search_radius_km,
        key_locations=key_locations,
        behavioral_prediction=behavioral_prediction,
        immediate_actions=immediate_actions,
        summary=summary,
        fallback_used=True
    )