analyzer.py

"""
Stage 2 — AI-powered review summarisation and first-message generation.

Supports two backends:
  1. Anthropic API  — set ANTHROPIC_API_KEY env var (requires VPN)
  2. LM Studio / any OpenAI-compatible local server
       — pass endpoint="http://localhost:1234/v1" and model="<model name>"
       — or set LM_STUDIO_URL env var (model defaults to "local-model")
"""

import json
import logging
import os
from typing import Optional

import anthropic
import httpx

from models import BusinessCard, Review

logger = logging.getLogger(__name__)

_anthropic_client: Optional[anthropic.Anthropic] = None

# ---------------------------------------------------------------------------
# Prompt templates
# ---------------------------------------------------------------------------

_SYSTEM_PROMPT = """\
Ты аналитик отзывов для малого бизнеса в сфере услуг (маникюр, барбершоп, массаж, косметология).
Твоя задача — прочитать отзывы о компании и составить:
1. Краткое резюме (1–2 предложения): общее впечатление клиентов.
2. Жалобы на запись/коммуникацию: конкретные проблемы, если они есть в отзывах
   (путаница со временем, не дозвониться, долго ждали, забыли про запись, писали в директ/вотсап и т.п.).
   Если таких жалоб нет — верни пустую строку.
3. Первое холодное сообщение (не длиннее 3 предложений) от лица продавца Telegram-бота для онлайн-записи.
   — Если есть жалобы на запись/коммуникацию: упомяни конкретную боль из отзывов.
   — Если жалоб нет: используй нейтральный шаблон:
     «Увидел(а) вас на 2ГИС — заметил(а), что онлайн-записи нет. Как сейчас записываются клиенты?»
   Обращайся на «вы». Не упоминай конкурентов. Не используй слово «бот» в первом сообщении — пиши «онлайн-запись».

Формат ответа — строго JSON без лишних пояснений:
{
  "review_summary": "...",
  "booking_complaints": "...",
  "first_message": "..."
}"""


def _build_user_prompt(card: BusinessCard, reviews: list[Review]) -> str:
    parts = [
        f"Компания: {card.name}",
        f"Категория: {card.category}",
        f"Город: {card.city}",
        f"Рейтинг: {card.rating}",
        "",
        "Отзывы:",
    ]
    if not reviews:
        parts.append("(отзывов нет)")
    else:
        for i, r in enumerate(reviews, 1):
            rating_str = f" [{r.rating}★]" if r.rating else ""
            parts.append(f"{i}. {r.author}{rating_str}: {r.text.strip()}")
    return "\n".join(parts)


def _parse_response(raw: str) -> tuple[str, str]:
    if raw.startswith("```"):
        raw = "\n".join(l for l in raw.splitlines() if not l.startswith("```")).strip()
    data = json.loads(raw)
    return str(data.get("review_summary", "")).strip(), str(data.get("first_message", "")).strip()


def _neutral_first_message(card: BusinessCard) -> str:
    return (
        "Увидел(а) вас на 2ГИС — заметил(а), что онлайн-записи нет. "
        "Как сейчас записываются клиенты?"
    )


# ---------------------------------------------------------------------------
# Backends
# ---------------------------------------------------------------------------

def _call_anthropic(user_prompt: str) -> tuple[str, str]:
    global _anthropic_client
    if _anthropic_client is None:
        api_key = os.environ.get("ANTHROPIC_API_KEY")
        if not api_key:
            raise EnvironmentError("ANTHROPIC_API_KEY не задан")
        _anthropic_client = anthropic.Anthropic(api_key=api_key)
    resp = _anthropic_client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=1024,
        system=_SYSTEM_PROMPT,
        messages=[{"role": "user", "content": user_prompt}],
    )
    return _parse_response(resp.content[0].text.strip())


def _call_local(endpoint: str, model: str, user_prompt: str) -> tuple[str, str]:
    """Call any OpenAI-compatible server (LM Studio, Ollama, etc.)."""
    url = endpoint.rstrip("/") + "/chat/completions"
    payload = {
        "model": model,
        "messages": [
            {"role": "system", "content": _SYSTEM_PROMPT},
            {"role": "user", "content": user_prompt},
        ],
        "max_tokens": 1024,
        "temperature": 0.3,
    }
    r = httpx.post(url, json=payload, timeout=120)
    r.raise_for_status()
    raw = r.json()["choices"][0]["message"]["content"].strip()
    return _parse_response(raw)


# ---------------------------------------------------------------------------
# Public API
# ---------------------------------------------------------------------------

def analyse(
    card: BusinessCard,
    reviews: list[Review],
    *,
    local_endpoint: str = "",
    local_model: str = "",
) -> tuple[str, str]:
    """
    Returns (review_summary, first_message).

    If local_endpoint is set → uses LM Studio / OpenAI-compatible server.
    Otherwise falls back to env vars:
      LM_STUDIO_URL  → local server
      ANTHROPIC_API_KEY → Anthropic cloud
    """
    user_prompt = _build_user_prompt(card, reviews)

    # resolve backend
    endpoint = local_endpoint or os.environ.get("LM_STUDIO_URL", "")
    model = local_model or os.environ.get("LM_STUDIO_MODEL", "local-model")

    try:
        if endpoint:
            return _call_local(endpoint, model, user_prompt)
        else:
            return _call_anthropic(user_prompt)
    except json.JSONDecodeError as e:
        logger.warning("analyse(%s): JSON parse error: %s", card.name, e)
        return "", _neutral_first_message(card)
    except (anthropic.APIError, httpx.HTTPError) as e:
        logger.warning("analyse(%s): API error: %s", card.name, e)
        return "", _neutral_first_message(card)


def analyse_and_script(
    card: BusinessCard,
    reviews: list[Review],
    *,
    local_endpoint: str = "",
    local_model: str = "",
) -> BusinessCard:
    """
    Runs analyse() + generate_dialog() and fills card fields in-place.
    Returns the same card for chaining.
    """
    from dialog_gen import generate_dialog  # local import — avoids circular dep

    summary, first_msg = analyse(
        card, reviews, local_endpoint=local_endpoint, local_model=local_model
    )
    card.review_summary = summary
    card.first_message = first_msg

    endpoint = local_endpoint or os.environ.get("LM_STUDIO_URL", "")
    card.script_dialog = generate_dialog(card, endpoint=endpoint, model=local_model or os.environ.get("LM_STUDIO_MODEL", "local-model"))

    return card