注意力
  ^
  |  *                               *
  |    *                           *
  |      *                       *
  |        *                   *
  |          * * * * * * * * *
  +-----------------------------------> 位置
  开头                              结尾

# 差的写法：所有内容堆在一起，没有优先级
bad_system_prompt = """
你是一个代码审查助手。你需要检查代码质量、安全问题、性能问题、风格问题、
文档完整性、测试覆盖率、依赖管理、版本兼容性、错误处理、日志记录、
数据库查询优化、缓存使用、API 设计、并发安全、内存管理...（后面还有200行）
"""

# 好的写法：层次清晰，优先级明确
good_system_prompt = """
你是 Acme 公司的代码审查专家。

## 核心职责
审查 Python 代码，重点关注三个维度：安全性、可维护性、性能。

## 审查优先级
1. 高危（必须修改）：SQL 注入、敏感数据明文、未验证输入
2. 中危（建议修改）：函数超过 50 行、缺少错误处理、重复代码
3. 低危（可选优化）：变量命名、注释质量

## 输出格式
按优先级分组，每条问题包含：位置、问题描述、修改建议。

## 工具使用原则
- 需要查看文件时，用 read_file
- 需要搜索代码模式时，用 search_code
- 不确定语义时，先读代码再判断，不要猜测
"""

# 差的工具描述：模糊，没有边界
bad_tool = {
    "name": "search",
    "description": "搜索信息",
    "parameters": {
        "type": "object",
        "properties": {
            "query": {"type": "string"}
        }
    }
}

# 好的工具描述：具体、有边界、有示例
good_tool = {
    "name": "search_codebase",
    "description": """在项目代码库中搜索代码模式或文本。

    适用场景：
    - 查找某个函数或类的所有调用点
    - 搜索特定的代码模式（如未处理的异常）
    - 查找某个变量或常量的定义

    不适用场景：
    - 不要用于读取文件内容（用 read_file）
    - 不要用于搜索互联网（用 web_search）

    示例：
    - 查找所有 SQL 拼接：query="cursor.execute" + "%" 或 query="f'SELECT"
    - 查找函数定义：query="def process_payment"
    """,
    "parameters": {
        "type": "object",
        "properties": {
            "query": {
                "type": "string",
                "description": "搜索关键词或正则表达式，支持精确匹配和模糊搜索"
            },
            "file_pattern": {
                "type": "string",
                "description": "限定搜索范围，如 '*.py' 或 'src/payment/**'"
            }
        },
        "required": ["query"]
    }
}

from openai import OpenAI
from typing import List, Dict

client = OpenAI()

# 策略一：截断（简单粗暴，丢失信息）
def truncate_history(messages: List[Dict], max_messages: int = 20) -> List[Dict]:
    """只保留最近 N 轮对话"""
    system_messages = [m for m in messages if m["role"] == "system"]
    non_system = [m for m in messages if m["role"] != "system"]

    if len(non_system) > max_messages:
        non_system = non_system[-max_messages:]

    return system_messages + non_system

# 策略二：滑动窗口（保留首尾，压缩中间）
def sliding_window_history(
    messages: List[Dict],
    keep_first: int = 3,
    keep_last: int = 10,
    max_total: int = 20
) -> List[Dict]:
    """保留开头的关键上下文和最近的对话"""
    system_messages = [m for m in messages if m["role"] == "system"]
    non_system = [m for m in messages if m["role"] != "system"]

    if len(non_system) <= max_total:
        return system_messages + non_system

    # 保留开头（任务背景）和结尾（最近上下文）
    preserved = non_system[:keep_first] + non_system[-keep_last:]
    return system_messages + preserved

# 策略三：摘要压缩（保留信息，减少 token）
def summarize_history(messages: List[Dict], keep_recent: int = 5) -> List[Dict]:
    """将较早的对话历史压缩成摘要"""
    system_messages = [m for m in messages if m["role"] == "system"]
    non_system = [m for m in messages if m["role"] != "system"]

    if len(non_system) <= keep_recent + 5:
        return system_messages + non_system

    # 需要压缩的部分
    to_summarize = non_system[:-keep_recent]
    recent = non_system[-keep_recent:]

    # 用 LLM 生成摘要
    summary_response = client.chat.completions.create(
        model="gpt-4o-mini",  # 用小模型降低成本
        messages=[
            {
                "role": "system",
                "content": "将以下对话历史压缩成简洁摘要，保留关键决策和重要发现。"
            },
            {
                "role": "user",
                "content": str(to_summarize)
            }
        ]
    )
    summary = summary_response.choices[0].message.content

    # 用摘要替换原始历史
    summary_message = {
        "role": "system",
        "content": f"[历史对话摘要]：{summary}"
    }

    return system_messages + [summary_message] + recent

def prepare_rag_context(query: str, documents: list, max_chars: int = 3000) -> str:
    """准备 RAG 上下文，控制质量和长度"""
    if not documents:
        return ""

    # 过滤低相关性文档（假设 documents 包含相关性分数）
    relevant_docs = [
        doc for doc in documents
        if doc.get("relevance_score", 0) >= 0.6
    ]

    if not relevant_docs:
        return ""

    # 按相关性排序，最相关的放最前面（利用 Lost in the Middle 效应）
    relevant_docs.sort(key=lambda x: x.get("relevance_score", 0), reverse=True)

    context_parts = []
    total_chars = 0

    for doc in relevant_docs:
        content = doc["content"]
        source = doc.get("source", "未知来源")

        # 控制总长度，重要的放前面，不重要的截断
        if total_chars + len(content) > max_chars:
            remaining = max_chars - total_chars
            if remaining > 200:  # 至少 200 字才加入
                content = content[:remaining] + "..."
            else:
                break

        context_parts.append(f"[{source}]\n{content}")
        total_chars += len(content)

    return "\n\n---\n\n".join(context_parts)

def build_agent_context(
    user_input: str,
    conversation_history: list,
    retrieved_docs: list,
    tool_results: list
) -> list:
    """构建完整的 Agent context"""

    # 1. System Prompt 放最前面（高权重位置）
    system_prompt = good_system_prompt

    # 2. 管理对话历史（控制长度）
    managed_history = sliding_window_history(
        conversation_history,
        keep_first=2,
        keep_last=8
    )

    # 3. 准备 RAG 上下文
    rag_context = prepare_rag_context(user_input, retrieved_docs)

    # 4. 构建 messages
    messages = [{"role": "system", "content": system_prompt}]

    # 5. 如果有 RAG 结果，在历史之前注入（靠近开头，提高关注度）
    if rag_context:
        messages.append({
            "role": "system",
            "content": f"相关参考资料：\n{rag_context}"
        })

    # 6. 加入对话历史
    messages.extend(managed_history)

    # 7. 用户当前输入放最后（高权重位置）
    messages.append({"role": "user", "content": user_input})

    return messages