"""MCP tools for RAG search over legal documents and decisions."""

from __future__ import annotations

import json
from uuid import UUID

from legal_mcp.services import db, embeddings


async def search_decisions(
    query: str,
    limit: int = 10,
    section_type: str = "",
) -> str:
    """חיפוש סמנטי בהחלטות קודמות ובמסמכים.

    Args:
        query: שאילתת חיפוש בעברית (לדוגמה: "שימוש חורג למסחר באזור מגורים")
        limit: מספר תוצאות מקסימלי
        section_type: סינון לפי סוג סעיף (facts, legal_analysis, conclusion, ruling, וכו'). ריק = הכל
    """
    query_emb = await embeddings.embed_query(query)
    results = await db.search_similar(
        query_embedding=query_emb,
        limit=limit,
        section_type=section_type or None,
    )

    if not results:
        return "לא נמצאו תוצאות."

    formatted = []
    for r in results:
        formatted.append({
            "score": round(float(r["score"]), 4),
            "case_number": r["case_number"],
            "document": r["document_title"],
            "section": r["section_type"],
            "page": r["page_number"],
            "content": r["content"],
        })

    return json.dumps(formatted, ensure_ascii=False, indent=2)


async def search_case_documents(
    case_number: str,
    query: str,
    limit: int = 10,
) -> str:
    """חיפוש סמנטי בתוך מסמכי תיק ספציפי.

    Args:
        case_number: מספר תיק הערר
        query: שאילתת חיפוש
        limit: מספר תוצאות מקסימלי
    """
    case = await db.get_case_by_number(case_number)
    if not case:
        return f"תיק {case_number} לא נמצא."

    query_emb = await embeddings.embed_query(query)
    results = await db.search_similar(
        query_embedding=query_emb,
        limit=limit,
        case_id=UUID(case["id"]),
    )

    if not results:
        return f"לא נמצאו תוצאות בתיק {case_number}."

    formatted = []
    for r in results:
        formatted.append({
            "score": round(float(r["score"]), 4),
            "document": r["document_title"],
            "section": r["section_type"],
            "page": r["page_number"],
            "content": r["content"],
        })

    return json.dumps(formatted, ensure_ascii=False, indent=2)


async def find_similar_cases(
    description: str,
    limit: int = 5,
) -> str:
    """מציאת תיקים דומים על בסיס תיאור.

    Args:
        description: תיאור התיק או הנושא (לדוגמה: "ערר על סירוב להיתר בנייה לתוספת קומה")
        limit: מספר תוצאות מקסימלי
    """
    query_emb = await embeddings.embed_query(description)
    results = await db.search_similar(
        query_embedding=query_emb,
        limit=limit * 3,  # Get more to deduplicate by case
    )

    if not results:
        return "לא נמצאו תיקים דומים."

    # Deduplicate by case_number, keep best score per case
    seen_cases = {}
    for r in results:
        cn = r["case_number"]
        if cn not in seen_cases or r["score"] > seen_cases[cn]["score"]:
            seen_cases[cn] = r

    # Sort by score and limit
    top_cases = sorted(seen_cases.values(), key=lambda x: x["score"], reverse=True)[:limit]

    formatted = []
    for r in top_cases:
        formatted.append({
            "score": round(float(r["score"]), 4),
            "case_number": r["case_number"],
            "document": r["document_title"],
            "relevant_section": r["content"][:500],
        })

    return json.dumps(formatted, ensure_ascii=False, indent=2)