from openai import OpenAI
client = OpenAI()

REACT_SYSTEM_PROMPT = """당신은 도구를 사용할 수 있는 AI 어시스턴트입니다.

사용 가능한 도구:
- search(query): 위키피디아에서 정보를 검색합니다
- calculate(expression): 수학 계산을 수행합니다
- lookup(term): 특정 용어의 정의를 찾습니다

다음 형식을 반드시 따르세요:

Thought: [지금 무엇을 알아야 하는지 추론]
Action: [도구_이름(인자)]
Observation: [도구 실행 결과 — 시스템이 채워줌]

이 과정을 필요한 만큼 반복한 후:
Thought: [최종 추론]
Answer: [최종 답변]"""

def simulate_react(question):
    """ReAct 패턴 시뮬레이션"""
    messages = [
        {"role": "system", "content": REACT_SYSTEM_PROMPT},
        {"role": "user", "content": question},
    ]

    # 시뮬레이션을 위한 도구 응답
    tool_responses = {
        "search": lambda q: f"검색 결과: {q}에 대한 정보...",
        "calculate": lambda expr: f"계산 결과: {eval(expr)}",
    }

    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=messages,
        temperature=0,
    )

    print(response.choices[0].message.content)

simulate_react("테슬라의 2024년 매출은 전년 대비 얼마나 변화했나요?")
# Thought: 테슬라의 2024년과 2023년 매출을 각각 확인해야 합니다.
# Action: search("테슬라 2024년 연간 매출")
# Observation: 테슬라의 2024년 매출은 약 967억 달러입니다.
# Thought: 2023년 매출도 확인해야 비교할 수 있습니다.
# Action: search("테슬라 2023년 연간 매출")
# Observation: 테슬라의 2023년 매출은 약 967억 달러입니다.
# Thought: 두 해의 매출을 비교하여 변화율을 계산합니다.
# Action: calculate("(967 - 967) / 967 * 100")
# Answer: ...

def tree_of_thought(problem, n_thoughts=3):
    """Tree-of-Thought: 분기 탐색 기반 문제 해결"""

    # 1단계: 여러 초기 접근법 생성
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "user",
            "content": f"""다음 문제에 대해 {n_thoughts}가지 서로 다른 접근 방법을 제안하세요.
각 접근법을 2~3문장으로 설명하세요.

문제: {problem}

형식:
접근법 1: [설명]
접근법 2: [설명]
접근법 3: [설명]""",
        }],
        temperature=0.7,
    )
    approaches = response.choices[0].message.content
    print("=== 생성된 접근법 ===")
    print(approaches)

    # 2단계: 각 접근법 평가
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "user",
            "content": f"""다음 접근법들을 평가하고 가장 유망한 것을 선택하세요.

문제: {problem}

{approaches}

각 접근법에 대해:
- 실현 가능성 (1~10)
- 예상 효과 (1~10)
- 리스크 (1~10, 높을수록 위험)

가장 유망한 접근법 번호와 이유를 설명하세요.""",
        }],
        temperature=0,
    )
    evaluation = response.choices[0].message.content
    print("\n=== 평가 결과 ===")
    print(evaluation)

    # 3단계: 선택된 접근법으로 상세 해결
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "user",
            "content": f"""위 평가에서 선택된 최적 접근법으로 문제를 상세히 해결하세요.

문제: {problem}
선택된 접근법과 평가:
{evaluation}

단계별로 구체적인 실행 계획을 수립하세요.""",
        }],
        temperature=0,
    )

    print("\n=== 최종 해결책 ===")
    print(response.choices[0].message.content)

tree_of_thought("기술 스타트업의 B2B SaaS 제품 출시 후 첫 100명의 유료 고객을 확보하는 전략")

# OpenAI JSON 모드
response = client.chat.completions.create(
    model="gpt-4o-mini",
    response_format={"type": "json_object"},  # JSON 모드 활성화
    messages=[
        {"role": "system",
         "content": "반드시 JSON 형식으로 응답하세요."},
        {"role": "user",
         "content": """다음 텍스트에서 정보를 추출하세요.

텍스트: "삼성전자가 2024년 3분기 매출 79조원을 기록했다.
         영업이익은 9조원으로 전년 대비 200% 증가했다."

스키마:
{
  "company": "회사명",
  "period": "기간",
  "revenue": "매출 (조원)",
  "operating_profit": "영업이익 (조원)",
  "yoy_change": "전년 대비 변화율"
}"""},
    ],
)

import json
result = json.loads(response.choices[0].message.content)
print(json.dumps(result, ensure_ascii=False, indent=2))
# {
#   "company": "삼성전자",
#   "period": "2024년 3분기",
#   "revenue": "79조원",
#   "operating_profit": "9조원",
#   "yoy_change": "200% 증가"
# }

def self_refine(task, max_iterations=3):
    """Self-Refine: 자기 비평과 개선 반복"""

    # 초기 답변 생성
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": task}],
        temperature=0.7,
    )
    current_output = response.choices[0].message.content
    print(f"[초기 답변]\n{current_output}\n")

    for i in range(max_iterations):
        # 비평 단계
        critique_response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": f"""다음 답변을 비판적으로 평가하세요.

원래 태스크: {task}

답변:
{current_output}

평가 기준:
1. 정확성: 사실 오류가 없는가?
2. 완전성: 빠진 내용이 없는가?
3. 명확성: 이해하기 쉬운가?
4. 실용성: 실제로 도움이 되는가?

각 기준에 대해 점수(1~5)와 구체적 개선점을 제시하세요.
개선이 필요 없으면 "개선 불필요"라고 답하세요."""}],
            temperature=0,
        )
        critique = critique_response.choices[0].message.content
        print(f"[비평 {i+1}]\n{critique}\n")

        if "개선 불필요" in critique:
            print("비평에서 개선이 불필요하다고 판단. 종료.")
            break

        # 개선 단계
        refine_response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": f"""아래 비평을 반영하여 답변을 개선하세요.

원래 태스크: {task}

현재 답변:
{current_output}

비평:
{critique}

비평에서 지적된 모든 점을 반영하여 개선된 답변을 작성하세요."""}],
            temperature=0.7,
        )
        current_output = refine_response.choices[0].message.content
        print(f"[개선 {i+1}]\n{current_output}\n")

    return current_output

result = self_refine("Python 초보자를 위한 에러 핸들링 가이드를 작성하세요.")

def prompt_chain(document):
    """프롬프트 체이닝: 문서 분석 파이프라인"""

    # 1단계: 핵심 정보 추출
    step1 = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user",
                   "content": f"다음 문서에서 핵심 사실 5가지를 추출하세요:\n\n{document}"}],
    ).choices[0].message.content

    # 2단계: 추출된 정보 분석
    step2 = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user",
                   "content": f"다음 사실들의 인사이트를 분석하세요:\n\n{step1}"}],
    ).choices[0].message.content

    # 3단계: 실행 가능한 제안 생성
    step3 = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user",
                   "content": f"다음 분석을 바탕으로 실행 가능한 제안 3가지를 작성하세요:\n\n{step2}"}],
    ).choices[0].message.content

    return {"facts": step1, "analysis": step2, "recommendations": step3}