"""
Prompt 模板 - 集中管理，避免 gemini/nvidia 适配器各维护一份导致发散。

设计原则:
  1. schema 用真实 JSON 示例展示，不靠文字描述字段名（VLM 对示例比对纯文字更可靠）
  2. timestamp 统一"视频内相对时间 HH:MM:SS"，消除绝对/相对歧义
  3. 人物命名: 已知成员用真名，未知用"人物A/B/C"本视频内临时编号，
     并强制 people_mentioned = events 内出现人物去重后的集合（下游合并依赖）
  4. 人物特征: 每个人物在每个 event 里输出 person_appearances，含 uid + 结构化特征
     文本（性别/年龄段/身形/发型/衣着/面部/辨识点）；下游靠特征值跨视频绑定同一身份
  5. 输出硬约束: 首字符必须是 {，禁止思考过程/markdown/解释
  6. 边界情况: 无人/空视频/看不清 -> 空 events + summary 说明，不凑数
"""
from typing import Optional


def build_video_prompt(known_members: str, event_start_time: str,
                       camera_name: str = '') -> str:
    """构建整视频分析 prompt（gemini/nvidia 共用）。

    Args:
      known_members: get_known_members_context() 输出，每行 "- 真名（别名/标识：label）" 或 "- label"
      event_start_time: 从文件名解析的视频开始时间（北京时间），仅用于 start_hint
      camera_name: 摄像头名（注入提示，帮助模型理解画面位置语境）
    """
    camera_hint = f"\n摄像头位置：{camera_name}。" if camera_name else ""
    start_hint = ""
    if event_start_time:
        start_hint = (f"\n视频开始时间（北京时间）约为 {event_start_time}，"
                      f"但 timestamp 字段仍填视频内相对时间（见下方格式说明）。")

    members_block = known_members.strip() if known_members and known_members.strip() else "（暂无已知成员，所有人物用「人物A」「人物B」编号）"

    return f"""你是家庭监控视频分析助手。请观看整段监控录像，提取结构化信息。

【输出格式 - 必须严格遵守】
- 只输出一个合法 JSON 对象，首字符必须是 {{，末字符必须是 }}。
- 禁止输出 markdown 代码块、思考过程、解释文字、前后缀。
- 空视频/画面看不清/无人出现时，events 填空数组，global_summary 说明情况。

【JSON 结构】
{{
  "global_summary": "整个时段的客观摘要，简体中文，2-4 句，说明谁在做什么",
  "events": [
    {{
      "timestamp": "HH:MM:SS",
      "description": "该时刻画面的详细描述：人物身份、动作细节、位置移动、交互对象、姿态/手势/朝向、手中物品、周围环境",
      "people": ["人物标识"],
      "person_appearances": [
        {{
          "uid": "人物A",
          "features": {{
            "gender": "男",
            "age_band": "中年",
            "build": "瘦高",
            "hair": "短发黑色",
            "clothing": "红色卫衣+深色长裤",
            "face": "蓄须",
            "distinguishing": "左手戴手表"
          }},
          "action": "走向沙发坐下",
          "bbox": [120, 340, 610, 900]
        }}
      ],
      "is_attention_event": false
    }}
  ],
  "people_mentioned": ["本视频出现的所有人物标识去重后的集合"]
}}

【字段规则】
1. timestamp: 视频内相对时间，格式 HH:MM:SS，从视频开头 00:00:00 算起。
   示例：视频开始后 5 分 23 秒 → "00:05:23"。禁止输出绝对日期时间。
2. events 抽取密度（核心规则）:
   a) 有人出现在画面中时，每隔约 3 秒抽取一帧作为一个 event，时间戳对齐到 3 的倍数
      （如 00:00:00、00:00:03、00:00:06、00:00:09……）。
      示例：某人从 00:00:05 走入画面，00:00:30 离开 → 生成 00:00:06、00:00:09、
      00:00:12、……、00:00:27 共约 8 条 event，每条描述该 3 秒窗口内的动作变化。
   b) 同一人物持续在画面中且动作无明显变化时，仍按 3 秒一帧抽取，但 description 须描述
      该 3 秒内的细微变化（姿态、位置、朝向、与谁交谈等），不要简单重复上一条。
   c) 人物进入/离开画面的瞬间必须各成一条 event（时间戳取实际发生时刻，不必对齐 3 秒）。
   d) 动作发生显著变化（如从走动变为坐下、从哭泣变为安静、拿取物品）的转折点必须成一条 event。
   e) 无人出现的时段不要单独成 event。
3. description 必须尽量详细，每条至少覆盖以下维度（缺失的维度写"无"）:
   - 人物身份（用真名或「人物A」编号）+ 当前动作（走动/站立/坐下/蹲下/弯腰/奔跑等）
   - 位置（如"客厅沙发左侧"/"厨房门口"/"走廊中部"）+ 移动方向（向门口走/原地不动/朝镜头靠近）
   - 姿态（站姿/蹲姿/坐姿）+ 朝向（面向镜头/背对镜头/侧身）
   - 手部动作（手里拿着杯子/双手插兜/挥手/扶墙/抱孩子等）
   - 交互对象（与谁交谈/喂食/搀扶/推搡/独处）
   - 表情/情绪线索（如可辨认：微笑/皱眉/哭泣/平静）
   - 周围环境与背景物品（电视开着/桌上水杯/地上有玩具等，辅助判断场景）
4. people: 该时刻出现的人物标识。已知成员用真名，未知人物用「人物A」「人物B」
   本视频内连续编号（同一人保持同一编号）。只填标识本身，不要带括号注释
   （如只写"人物A"，不要写"人物A（别名/标识：人物B）"）。
5. person_appearances: 该时刻出现的每个人物的结构化特征 + 动作。必填字段说明:
   - uid: 与 people 数组里的标识完全一致（同一人同一 uid）。
   - features: 客观可见特征，必须包含以下 7 个子字段，看不清的写 "unknown"，绝不留空:
     * gender: 性别（男/女/unknown）
     * age_band: 年龄段（幼儿/儿童/少年/青年/中年/老年/unknown）
     * build: 身材（如 瘦高/中等/偏胖/壮实/矮小/unknown）
     * hair: 发型与颜色（如 短发黑色/长发棕色/秃顶/unknown）
     * clothing: 当下衣着（如 红色卫衣+深色长裤/白色T恤+牛仔裤/unknown）
     * face: 面部特征（如 蓄须/戴眼镜/圆脸/unknown）
     * distinguishing: 辨识点（如 左手戴手表/右脸有痣/跛行/无）
   - action: 该人物在本时刻的动作（与 description 里该人物动作一致，单独抽出便于检索）。
   - bbox: 该人物在本帧画面中的包围框 [ymin,xmin,ymax,xmax]，坐标为 0-1000 的归一化
     整数（ymin/ymax 相对图片高度，xmin/xmax 相对图片宽度）——用于后续裁剪该人物的
     缩略图/头像，不需要额外调用模型。看不清/无法定位时填 null，不要瞎猜坐标。
   特征硬约束:
     * 客观描述可见特征，不猜测、不推断、不编造（看不清的字段写 unknown，不要靠常识猜性别/年龄）。
     * 同一 uid 在视频多个 event 出现时，features 字段保持一致（衣着变了再如实更新 clothing，
       但 gender/age_band/build/face 必须稳定）。
6. people_mentioned: 必须等于 events 中所有 people 字段出现过的标识去重后的集合。
   一致性强制：events 里出现的标识必须都在 people_mentioned 里，反之亦然。
7. is_attention_event: 跌倒、危险动作、异常哭闹、陌生人闯入、身体不适等需关注事件
   填 true，否则 false。关注事件的 event 仍按上述密度规则抽取，但 description 须明确
   说明"异常"点（如"张三在 00:01:15 跌坐在地，身体向右侧倾，双手撑地"）。
8. global_summary: 客观描述，不猜测、不想象、不编造。须包含：谁在画面中、主要活动、
   是否有关注事件、时段大致结构。

【已知家庭成员】
按特征匹配，匹配到用真名，匹配不到用「人物X」临时编号：
{members_block}{camera_hint}{start_hint}"""


def build_chat_prompt(context: str, members: str, question: str,
                      queried_person: str) -> str:
    """构建智能问答 system prompt（fam-core chat_handler 用）。

    Args:
      context: sync_events 格式化后的上下文文本（每行一条事件）
      members: known_members_context 文本
      question: 用户原始问题
      queried_person: 用户指定的人物
    """
    members_block = members.strip() if members and members.strip() else queried_person
    context_block = context.strip() if context and context.strip() else "（今日无该人员的监控记录）"

    return f"""你是家庭监控助手。仅根据下方监控数据回答用户问题。

【监控数据】（按时间顺序，每行一条事件）
{context_block}

【已知家庭成员】
{members_block}

【用户问题】
{question}
（用户关心的人物：{queried_person}）

【回答要求】
1. 只基于上述监控数据，不编造、不补充数据外信息。
2. 按时间顺序组织回答，突出关键事件。
3. 若有关注事件（跌倒、哭闹、陌生人等），重点提示。
4. 若数据为空或当天未观察到 {queried_person}，明确说"今天没有观察到{queried_person}"。
5. 用自然语言回答，不要输出 JSON 或列表格式。"""


def build_person_merge_prompt(unnamed_lines: str) -> str:
    """构建人物合并 prompt（person_service._llm_merge 用）。

    Args:
      unnamed_lines: 待合并人物的特征文本，每行 "- uid：特征=...; 特征=..."
        （features_json 渲染而来的文本，供 LLM 判断是否同一人）
    """
    return f"""你是家庭监控人物汇总助手。下面是若干人物标识及其结构化特征描述。
请判断哪些标识指向同一个人，并为每个人输出一个稳定的规范名。

【输出格式】
只输出一个合法 JSON 对象，首字符必须是 {{，禁止 markdown 和解释。
格式：{{"<原标识>": "<规范名>", ...}}

【命名规则】
1. 同一人的多个标识合并为同一个规范名。
2. 规范名用「人物A」「人物B」「人物C」这类占位（按出现频率/首次出现排序），
   不要编造真实姓名。
3. 无法判断是否同一人的，保守不合并（各保留独立规范名）。
4. 规范名必须在输出中唯一：多个原标识可映射到同一规范名，但同一规范名只指向一个人。

【判断依据】
- 优先比对 gender / age_band / build / face 这四个稳定特征（不会在同一天内变化）。
- hair / clothing 会变化，仅作辅助；仅靠 clothing 相同不足以合并，仅靠 hair 不同不足以拆分。
- distinguishing 辨识点（如手表/痣/跛行）是强证据，一致时倾向合并。
- 任一稳定特征明确冲突（如一个写"男"一个写"女"），绝不合并。
- 任一关键特征缺失（"unknown"）时，其他特征一致性需更强才合并；拿不准保守不合并。

【待处理人物】
{unnamed_lines}"""