# services/summary_service.py
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_core.messages import HumanMessage, SystemMessage

async def get_rolling_summary(model: ChatGoogleGenerativeAI, existing_summary: str, messages: list):
    """
    将旧的总结与新的对话内容合并生成新的总结
    """
    if not messages:
        return existing_summary

    msg_content = "\n".join([f"{m.type}: {m.content}" for m in messages])
    
    prompt = f"""
    你是一个记忆专家。请根据提供的“现有总结”和“新增对话”，生成一个更全面、精炼的新总结。
    请保留关键事实（如技术偏好、重要决定、用户背景），删除无意义的寒暄。
    
    [现有总结]: {existing_summary if existing_summary else "暂无"}
    [新增对话]: {msg_content}
    
    请直接输出新的总结文本，保持中文书写。
    """
    
    response = await model.ainvoke([HumanMessage(content=prompt)])
    return response.content

# services/memory_service.py

async def extract_and_save_fact(thread_id: str, messages: list, db_connection):
    """
    由前端按钮触发：从当前对话上下文提取事实并存入向量库
    """
    # 1. 过滤掉无意义的消息，只取最近几条作为提取素材
    context_text = "\n".join([f"{m.type}: {m.content}" for m in messages[-10:]])
    
    # 2. 调用小模型 (Flash) 进行原子化事实提取
    extraction_prompt = f"""
    从以下对话中提取用户提到的、具有长期保存价值的“个人事实”或“技术偏好”。
    要求：
    - 每一条事实必须是独立的、完整的句子。
    - 不要包含寒暄或临时性的讨论。
    - 如果没有值得记录的事实，请返回 "NONE"。
    
    对话内容：
    {context_text}
    
    输出格式示例：
    - 用户正在使用 Python 3.12 进行开发。
    - 用户计划参加 2026 年的 Gemini Hackathon。
    """
    
    # 这里假设你已经初始化了 model_flash
    response = await model_flash.ainvoke(extraction_prompt)
    facts_text = response.content.strip()
    
    if facts_text == "NONE":
        return "没有发现值得记录的新事实。"

    # 3. 将提取到的事实转化为向量并存入 pgvector
    # facts = facts_text.split('\n')
    # for fact in facts:
    #     embedding = await get_embedding(fact)
    #     await db_connection.execute("INSERT INTO memories ...", embedding, fact, thread_id)
    
    return f"已成功记录以下记忆：\n{facts_text}"