"""Cliente Ollama para síntesis narrativa de location_agent.

Solo se usa para texto — los scores son determinísticos.

Env vars:
    OLLAMA_MODEL: modelo (default: llama3.1:8b)
    OLLAMA_HOST:  URL del servidor (default: http://localhost:11434)
"""

from __future__ import annotations

import json
import os


def _model() -> str:
    return os.getenv("OLLAMA_MODEL", "llama3.1:8b")


def is_available() -> bool:
    try:
        import requests
        r = requests.get(f"{os.getenv('OLLAMA_HOST', 'http://localhost:11434')}/api/tags", timeout=3)
        return r.status_code == 200
    except Exception:
        return False


def analyze_section(data: dict, section: str, address: str) -> str:
    """Narrativa de 2-3 párrafos para una sección del reporte."""
    if not is_available():
        return _auto_summary(data, section)
    try:
        import ollama
        prompt = (
            f"Analiza los siguientes datos de {section} para la ubicación: {address}\n\n"
            "Sé objetivo y profesional. 2-3 párrafos. Solo hechos relevantes para inversión "
            "inmobiliaria. Sin recomendaciones de compra. Responde en español.\n\n"
            f"Datos:\n{json.dumps(data, indent=2, ensure_ascii=False)}"
        )
        resp = ollama.chat(
            model=_model(),
            messages=[{"role": "user", "content": prompt}],
            options={"temperature": 0.3},
        )
        return resp["message"]["content"].strip()
    except Exception as e:
        return _auto_summary(data, section) + f"\n\n[Ollama no disponible: {e}]"


def executive_summary(all_scores: dict, address: str, overall: int) -> dict:
    """Genera resumen ejecutivo. Devuelve {summary, strengths, weaknesses}."""
    if not is_available():
        return _auto_executive(all_scores, overall)
    try:
        import ollama
        scores_txt = "\n".join(f"  - {k}: {v}/100" for k, v in all_scores.items())
        prompt = (
            f"Resumen ejecutivo de inteligencia de ubicación para inversión inmobiliaria.\n"
            f"Dirección: {address}\nScore General: {overall}/100\n\nScores:\n{scores_txt}\n\n"
            "Proporciona en JSON:\n"
            '{"summary": "3-5 párrafos objetivos", '
            '"strengths": ["fortaleza 1","fortaleza 2","fortaleza 3"], '
            '"weaknesses": ["debilidad 1","debilidad 2","debilidad 3"]}\n'
            "Sin recomendaciones de compra. En español."
        )
        resp = ollama.chat(
            model=_model(),
            messages=[{"role": "user", "content": prompt}],
            options={"temperature": 0.3},
            format="json",
        )
        parsed = json.loads(resp["message"]["content"])
        return {
            "summary": parsed.get("summary", ""),
            "strengths": parsed.get("strengths", [])[:3],
            "weaknesses": parsed.get("weaknesses", [])[:3],
        }
    except Exception as e:
        r = _auto_executive(all_scores, overall)
        r["summary"] += f"\n[Ollama no disponible: {e}]"
        return r


def _auto_summary(data: dict, section: str) -> str:
    if not data:
        return f"Datos de {section} no disponibles."
    lines = [f"Resumen automático — {section}:"]
    for k, v in list(data.items())[:8]:
        if isinstance(v, (str, int, float, bool)) and v not in ("", None):
            lines.append(f"  • {k}: {v}")
    return "\n".join(lines)


def _auto_executive(scores: dict, overall: int) -> dict:
    ranked = sorted(scores.items(), key=lambda x: x[1], reverse=True)
    return {
        "summary": f"Score general: {overall}/100. Active Ollama para análisis narrativo detallado.",
        "strengths": [f"{k}: {v}/100" for k, v in ranked[:3]],
        "weaknesses": [f"{k}: {v}/100" for k, v in ranked[-3:]],
    }