"""
智能Agent - 真正使用LLM进行全面分析
"""
import re
import json
from typing import Dict, Any, Optional, List
from app.config import get_settings
from app.agent.context import ContextManager
from app.agent.skill_manager import skill_manager
from app.skills.market_data import MarketDataSkill
from app.skills.technical_analysis import TechnicalAnalysisSkill
from app.skills.fundamental import FundamentalSkill
from app.skills.visualization import VisualizationSkill
from app.skills.brave_search import BraveSearchSkill
from app.services.llm_service import llm_service
from app.services.tushare_service import tushare_service
from app.utils.logger import logger


class SmartStockAgent:
    """智能股票分析Agent - 深度集成LLM"""

    def __init__(self):
        """初始化Agent"""
        self.context_manager = ContextManager()
        self.settings = get_settings()

        # 注册技能
        self._register_skills()

        # 检查LLM是否可用
        self.use_llm = bool(self.settings.zhipuai_api_key) and llm_service.client is not None

        if self.use_llm:
            logger.info("Smart Agent初始化完成（LLM深度集成模式 + Brave搜索）")
        else:
            logger.warning("Smart Agent初始化完成（规则模式，建议配置LLM）")

    def _register_skills(self):
        """注册所有技能"""
        skill_manager.register(MarketDataSkill())
        skill_manager.register(TechnicalAnalysisSkill())
        skill_manager.register(FundamentalSkill())
        skill_manager.register(VisualizationSkill())
        skill_manager.register(BraveSearchSkill())
        logger.info("技能注册完成（包含Brave搜索）")

    async def process_message(
        self,
        message: str,
        session_id: str,
        user_id: Optional[str] = None
    ) -> Dict[str, Any]:
        """
        处理用户消息（智能版）

        Args:
            message: 用户消息
            session_id: 会话ID
            user_id: 用户ID

        Returns:
            响应结果
        """
        logger.info(f"处理消息: {message[:50]}...")

        # 保存用户消息
        self.context_manager.add_message(session_id, "user", message)

        # 第一步：使用LLM理解问题意图
        intent_analysis = await self._analyze_question_intent(message)

        if not intent_analysis:
            response = {
                "message": "抱歉，我无法理解您的问题。请重新描述您的需求。",
                "metadata": {"type": "error"}
            }
            self.context_manager.add_message(session_id, "assistant", response["message"])
            return response

        # 第二步：根据意图类型处理
        question_type = intent_analysis['type']

        if question_type == 'stock_specific':
            # 针对特定股票的问题
            response = await self._handle_stock_question(intent_analysis, message)
        elif question_type == 'macro_finance':
            # 宏观金融问题
            response = await self._handle_macro_question(intent_analysis, message)
        elif question_type == 'knowledge':
            # 金融知识问答
            response = await self._handle_knowledge_question(intent_analysis, message)
        else:
            response = {
                "message": "抱歉，我暂时无法处理这类问题。",
                "metadata": {"type": "error"}
            }

        # 保存助手响应
        self.context_manager.add_message(
            session_id,
            "assistant",
            response["message"],
            metadata=response.get("metadata")
        )

        return response

    def _is_comprehensive_analysis(self, message: str) -> bool:
        """
        判断是否需要全面分析

        默认情况下，如果用户只是简单提到股票名称或代码，就进行全面分析
        只有明确要求特定信息时（如"技术指标"、"K线图"等），才做单一查询
        """
        # 明确要求单一查询的关键词
        single_query_keywords = [
            "k线", "图表", "走势图", "kline",
            "技术指标", "macd", "rsi", "均线", "kdj",
            "基本面", "公司信息", "行业",
            "实时行情", "价格", "涨跌"
        ]

        # 如果明确要求单一查询，返回False
        if any(keyword in message.lower() for keyword in single_query_keywords):
            return False

        # 默认进行全面分析
        return True

    async def _comprehensive_analysis(
        self,
        stock_code: str,
        stock_name: Optional[str],
        message: str
    ) -> Dict[str, Any]:
        """
        全面分析：整合多个数据源 + LLM深度分析

        Args:
            stock_code: 股票代码
            stock_name: 股票名称
            message: 用户消息

        Returns:
            综合分析结果
        """
        logger.info(f"执行全面分析: {stock_code}")

        display_name = stock_name or stock_code

        # 1. 并行获取所有数据
        try:
            # 获取实时行情
            quote_result = await skill_manager.execute_skill(
                "market_data",
                stock_code=stock_code,
                data_type="quote"
            )

            # 获取技术指标
            technical_result = await skill_manager.execute_skill(
                "technical_analysis",
                stock_code=stock_code,
                indicators=["ma", "macd", "rsi", "kdj"]
            )

            # 获取基本面
            fundamental_result = await skill_manager.execute_skill(
                "fundamental",
                stock_code=stock_code
            )

            # 获取最新新闻（Brave搜索）
            search_query = f"{display_name} {stock_code} 股票 最新消息"
            news_result = await skill_manager.execute_skill(
                "brave_search",
                query=search_query,
                search_type="news",
                count=5,
                freshness="pw"  # 过去一周
            )

            # 整合数据
            all_data = {
                "stock_code": stock_code,
                "stock_name": display_name,
                "quote": quote_result.get("data") if quote_result.get("success") else None,
                "technical": technical_result.get("data") if technical_result.get("success") else None,
                "fundamental": fundamental_result.get("data") if fundamental_result.get("success") else None,
                "news": news_result.get("results") if news_result and not news_result.get("error") else None
            }

            # 2. 使用LLM进行深度分析
            if self.use_llm:
                analysis = await self._llm_comprehensive_analysis(all_data, message)
            else:
                analysis = self._rule_based_analysis(all_data)

            return {
                "message": analysis,
                "metadata": {
                    "type": "comprehensive",
                    "data": all_data
                }
            }

        except Exception as e:
            logger.error(f"全面分析失败: {e}")
            return {
                "message": f"分析{display_name}时出错：{str(e)}",
                "metadata": {"type": "error"}
            }

    async def _llm_comprehensive_analysis(
        self,
        data: Dict[str, Any],
        user_message: str
    ) -> str:
        """使用LLM进行深度综合分析"""

        # 获取当前时间
        from datetime import datetime
        current_time = datetime.now().strftime("%Y-%m-%d %H:%M")

        # 获取行情数据的交易日期
        quote_date = "未知"
        if data.get('quote') and data['quote'].get('trade_date'):
            quote_date = data['quote']['trade_date']

        # 构建新闻摘要
        news_summary = ""
        news_source_info = ""
        if data.get('news'):
            news_summary = "\n【消息面分析】\n"
            news_summary += f"数据来源：Brave Search API\n"
            news_summary += f"搜索时间：{current_time}\n"
            news_summary += f"新闻范围：过去一周内相关新闻\n\n"
            for idx, news_item in enumerate(data['news'][:5], 1):
                news_summary += f"{idx}. {news_item.get('title', '无标题')}\n"
                news_summary += f"   来源: {news_item.get('source', '未知')}\n"
                news_summary += f"   摘要: {news_item.get('description', '无描述')}\n"
                news_summary += f"   发布时间: {news_item.get('published', '未知')}\n\n"
            news_source_info = "（消息来源：Brave搜索引擎，数据可能存在延迟）"
        else:
            news_summary = "\n【消息面分析】\n暂无最新新闻数据\n"

        # 构建详细的分析提示
        prompt = f"""你是一位专业的股票分析师。请对{data['stock_name']}({data['stock_code']})进行全面分析，用简洁专业但易懂的语言回答。

用户问题：{user_message}

【实时行情数据】
数据来源：Tushare Pro API
交易日期：{quote_date}
{json.dumps(data.get('quote'), ensure_ascii=False, indent=2) if data.get('quote') else '数据获取失败'}

【技术指标数据】
数据来源：Tushare Pro API（基于历史K线数据计算）
计算截止日期：{quote_date}
{json.dumps(data.get('technical'), ensure_ascii=False, indent=2) if data.get('technical') else '数据获取失败'}

【基本面数据】
数据来源：Tushare Pro API
{json.dumps(data.get('fundamental'), ensure_ascii=False, indent=2) if data.get('fundamental') else '数据获取失败'}
{news_summary}

请按以下结构进行分析，并在每个部分明确标注数据来源和时效性：

## 一、基本面分析
分段说明公司情况，每个要点独立成段：
- 第一段：公司主营业务和行业地位
- 第二段：所属行业发展前景
- 第三段：如果有新闻，简要分析对公司的影响{news_source_info}

## 二、技术面分析（数据截止：{quote_date}）
使用清晰的分段结构，每个技术指标独立成段：

**价格走势**
当前价格走势特征（上涨/下跌/震荡），结合成交量分析。

**均线系统**
短期均线（MA5、MA10）与长期均线（MA20、MA60）的位置关系，判断当前趋势（多头/空头/震荡）。

**MACD指标**
DIF和DEA的位置关系，MACD柱状图变化，判断动能强弱和买卖信号。

**RSI指标**
当前RSI值的位置，是否超买（>70）或超卖（<30），短期走势预判。

**支撑与压力**
关键支撑位和压力位的具体价格区间。

## 三、市场情绪分析
分段分析市场情绪：
- 第一段：当前市场情绪（乐观/谨慎/悲观）及原因
- 第二段：如果有新闻，分析是利好还是利空
- 第三段：短期可能的催化因素

## 四、投资建议
基于技术面分析，给出具体的操作建议和点位：

**短期（1-2周）操作建议**
- 明确的操作建议：买入/持有/观望/减仓
- **具体点位建议**：
  - 如果建议买入：给出建议买入价格区间（基于支撑位）
  - 如果建议卖出：给出建议卖出价格区间（基于压力位）
  - 止损位：明确的止损价格点位
  - 止盈位：明确的止盈价格点位
- 操作理由：基于技术指标的具体分析

**中期（1-3个月）策略**
- 趋势判断（上涨/下跌/震荡）
- 关键价格区间：
  - 上方目标位：具体价格
  - 下方支撑位：具体价格
- 策略建议

**长期（半年以上）**
投资价值评估和长期持有建议。

**风险提示**
- 主要风险点和注意事项
- 需要关注的关键价格位

## 五、总结
用一句话概括核心观点。

---
**数据说明**
- 行情数据来源：Tushare Pro（截止{quote_date}）
- 技术指标：基于历史K线数据计算（截止{quote_date}）
- 新闻数据：Brave搜索（搜索时间{current_time}，范围：过去一周）

写作要求：
1. 语言简洁专业，避免过度修饰和比喻
2. 专业术语后用括号简单解释，例如"RSI超买（指标>70，股价可能回调）"
3. **重要：每个分析点必须独立成段，段落之间用空行分隔**
4. **技术面分析部分，每个指标必须使用加粗标题（**标题**）并独立成段**
5. 分析要客观理性，基于数据而非情绪
3. 分析要客观理性，基于数据而非情绪
4. 结论要明确，不要模棱两可
5. 控制在500-600字
6. 最后必须声明："以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。"
"""

        try:
            analysis = llm_service.chat(
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7,
                max_tokens=2000
            )

            if analysis:
                return f"【{data['stock_name']}({data['stock_code']}) - AI深度分析】\n\n{analysis}"
            else:
                return self._rule_based_analysis(data)

        except Exception as e:
            logger.error(f"LLM分析失败: {e}")
            return self._rule_based_analysis(data)

    async def _llm_single_analysis(
        self,
        intent: Dict[str, Any],
        result: Dict[str, Any],
        stock_code: str,
        stock_name: Optional[str],
        user_message: str
    ) -> Dict[str, Any]:
        """使用LLM对单一查询进行分析"""
        data = result.get("data", result)
        display_name = stock_name or stock_code

        # 根据查询类型构建不同的prompt
        if intent["type"] == "technical":
            prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的技术指标。

用户问题：{user_message}

【技术指标数据】
{json.dumps(data, ensure_ascii=False, indent=2)}

请进行专业的技术分析：

## 技术指标解读
1. 均线系统分析：
   - 短期均线（MA5、MA10）与长期均线（MA20、MA60）的位置关系
   - 判断当前趋势（多头/空头/震荡）

2. MACD指标分析：
   - DIF和DEA的位置关系
   - MACD柱状图的变化趋势
   - 判断动能强弱

3. RSI指标分析：
   - 当前RSI值的位置（超买/超卖/中性）
   - 短期可能的走势

4. KDJ指标分析（如有）：
   - K、D、J值的位置关系
   - 金叉/死叉信号

## 综合判断
- 短期走势预判（1-2周）
- 关键支撑位和压力位
- 操作建议（买入/持有/观望/减仓）

## 风险提示
- 主要技术风险点

写作要求：
1. 语言简洁专业，直接给出分析结论
2. 基于数据进行分析，不要编造
3. 控制在300-400字
4. 最后声明："以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。"
"""

        elif intent["type"] == "quote":
            prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的实时行情。

用户问题：{user_message}

【实时行情数据】
{json.dumps(data, ensure_ascii=False, indent=2)}

请进行专业的行情分析：

## 行情解读
1. 当日表现：
   - 涨跌幅分析
   - 成交量分析
   - 振幅分析

2. 价格位置：
   - 当前价格相对开盘价、最高价、最低价的位置
   - 判断多空力量对比

3. 短期判断：
   - 当日走势特征
   - 短期可能的走势
   - 操作建议

写作要求：
1. 语言简洁专业，直接给出分析结论
2. 基于数据进行分析，不要编造
3. 控制在200-300字
4. 最后声明："以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。"
"""

        elif intent["type"] == "fundamental":
            prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的基本面信息。

用户问题：{user_message}

【基本面数据】
{json.dumps(data, ensure_ascii=False, indent=2)}

请进行专业的基本面分析：

## 公司概况
- 公司主营业务
- 所属行业和地域
- 上市时间和市场

## 行业分析
- 所属行业的发展前景
- 行业地位和竞争优势

## 投资价值
- 基本面评估
- 长期投资价值
- 关注要点

写作要求：
1. 语言简洁专业，直接给出分析结论
2. 基于数据进行分析，不要编造
3. 控制在200-300字
4. 最后声明："以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。"
"""

        else:
            # 其他类型，使用通用分析
            prompt = f"""你是一位专业的股票分析师。用户询问了{display_name}({stock_code})的相关信息。

用户问题：{user_message}

【数据】
{json.dumps(data, ensure_ascii=False, indent=2)}

请基于提供的数据进行专业分析，给出有价值的见解和建议。

写作要求：
1. 语言简洁专业，直接给出分析结论
2. 基于数据进行分析，不要编造
3. 控制在200-300字
4. 最后声明："以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。"
"""

        try:
            analysis = llm_service.chat(
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7,
                max_tokens=1500
            )

            if analysis:
                return {
                    "message": f"【{display_name}({stock_code}) - AI分析】\n\n{analysis}",
                    "metadata": {"type": intent["type"], "data": data}
                }
            else:
                # LLM失败，使用原始格式化
                return self._format_response(intent, result, stock_code, stock_name)

        except Exception as e:
            logger.error(f"LLM单一分析失败: {e}")
            return self._format_response(intent, result, stock_code, stock_name)

    def _rule_based_analysis(self, data: Dict[str, Any]) -> str:
        """基于规则的分析（LLM不可用时的备选方案）"""
        parts = [f"【{data['stock_name']}({data['stock_code']}) - 综合分析】\n"]

        # 行情信息
        if data.get('quote'):
            quote = data['quote']
            parts.append("## 一、实时行情")
            parts.append(f"最新价：{quote.get('close', 0):.2f}元")
            parts.append(f"涨跌幅：{quote.get('pct_chg', 0):.2f}%")
            parts.append(f"成交量：{quote.get('vol', 0):.0f}手")
            parts.append("")

        # 技术分析
        if data.get('technical'):
            tech = data['technical'].get('indicators', {})
            parts.append("## 二、技术指标")

            if 'ma' in tech:
                ma = tech['ma']
                parts.append(f"均线系统：MA5={ma.get('ma5')}, MA10={ma.get('ma10')}, MA20={ma.get('ma20')}")

            if 'macd' in tech:
                macd = tech['macd']
                parts.append(f"MACD：DIF={macd.get('dif')}, DEA={macd.get('dea')}")

            if 'rsi' in tech:
                rsi = tech['rsi']
                rsi6 = rsi.get('rsi6', 50)
                if rsi6 > 70:
                    parts.append(f"RSI：{rsi6:.1f}（超买区域，注意回调风险）")
                elif rsi6 < 30:
                    parts.append(f"RSI：{rsi6:.1f}（超卖区域，可能存在反弹机会）")
                else:
                    parts.append(f"RSI：{rsi6:.1f}（中性区域）")

            parts.append("")

        # 基本面
        if data.get('fundamental'):
            fund = data['fundamental']
            parts.append("## 三、基本信息")
            parts.append(f"所属行业：{fund.get('industry', '未知')}")
            parts.append(f"上市日期：{fund.get('list_date', '未知')}")
            parts.append("")

        # 简单建议
        parts.append("## 四、参考建议")
        parts.append("建议结合更多信息进行综合判断。")
        parts.append("")
        parts.append("⚠️ 以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。")

        return "\n".join(parts)

    async def _single_query(
        self,
        stock_code: str,
        stock_name: Optional[str],
        message: str
    ) -> Dict[str, Any]:
        """单一查询处理 - 使用LLM进行分析"""
        # 识别意图
        intent = self._recognize_intent(message, stock_code)

        # 执行技能
        result = await skill_manager.execute_skill(
            intent["skill"],
            **intent["params"]
        )

        # 格式化响应
        if not result.get("success", True):
            return {
                "message": f"查询失败：{result.get('error', '未知错误')}",
                "metadata": {"type": "error"}
            }

        # 所有查询都使用LLM进行分析（除了可视化）
        if intent["type"] != "visualization" and self.use_llm:
            return await self._llm_single_analysis(intent, result, stock_code, stock_name, message)
        else:
            return self._format_response(intent, result, stock_code, stock_name)

    def _recognize_intent(self, message: str, stock_code: str) -> Dict[str, Any]:
        """识别查询意图"""
        message_lower = message.lower()

        # K线图
        if any(kw in message_lower for kw in ["k线", "图表", "走势图", "kline"]):
            return {
                "type": "visualization",
                "skill": "visualization",
                "params": {"stock_code": stock_code}
            }

        # 技术分析
        if any(kw in message_lower for kw in ["技术", "指标", "macd", "rsi", "均线"]):
            return {
                "type": "technical",
                "skill": "technical_analysis",
                "params": {"stock_code": stock_code, "indicators": ["ma", "macd", "rsi"]}
            }

        # 基本面
        if any(kw in message_lower for kw in ["基本面", "公司", "行业", "信息"]):
            return {
                "type": "fundamental",
                "skill": "fundamental",
                "params": {"stock_code": stock_code}
            }

        # 默认：实时行情
        return {
            "type": "quote",
            "skill": "market_data",
            "params": {"stock_code": stock_code, "data_type": "quote"}
        }

    def _format_response(
        self,
        intent: Dict[str, Any],
        result: Dict[str, Any],
        stock_code: str,
        stock_name: Optional[str]
    ) -> Dict[str, Any]:
        """格式化响应"""
        data = result.get("data", result)
        display_name = stock_name or stock_code

        if intent["type"] == "quote":
            message = f"""【{display_name}】实时行情

交易日期：{data.get('trade_date', '')}
最新价：{data.get('close', 0):.2f}元
涨跌幅：{data.get('pct_chg', 0):+.2f}%
涨跌额：{data.get('change', 0):+.2f}元
开盘价：{data.get('open', 0):.2f}元
最高价：{data.get('high', 0):.2f}元
最低价：{data.get('low', 0):.2f}元
成交量：{data.get('vol', 0):.0f}手
成交额：{data.get('amount', 0):.0f}千元"""

            return {
                "message": message,
                "metadata": {"type": "quote", "data": data}
            }

        elif intent["type"] == "technical":
            indicators = data.get("indicators", {})
            parts = [f"【{display_name}】技术指标\n"]

            if "ma" in indicators:
                ma = indicators["ma"]
                parts.append(f"均线：MA5={ma.get('ma5')}, MA10={ma.get('ma10')}, MA20={ma.get('ma20')}")

            if "macd" in indicators:
                macd = indicators["macd"]
                parts.append(f"MACD：DIF={macd.get('dif')}, DEA={macd.get('dea')}, MACD={macd.get('macd')}")

            if "rsi" in indicators:
                rsi = indicators["rsi"]
                parts.append(f"RSI：RSI6={rsi.get('rsi6')}, RSI12={rsi.get('rsi12')}")

            return {
                "message": "\n".join(parts),
                "metadata": {"type": "technical", "data": data}
            }

        elif intent["type"] == "visualization":
            return {
                "message": f"已生成【{display_name}】的K线图",
                "metadata": {"type": "chart", "data": data}
            }

        elif intent["type"] == "fundamental":
            message = f"""【{display_name}】基本信息

股票代码：{data.get('ts_code', '')}
所属地域：{data.get('area', '')}
所属行业：{data.get('industry', '')}
上市市场：{data.get('market', '')}
上市日期：{data.get('list_date', '')}"""

            return {
                "message": message,
                "metadata": {"type": "fundamental", "data": data}
            }

        return {
            "message": "查询完成",
            "metadata": {"type": "data", "data": data}
        }

    async def _analyze_question_intent(self, message: str) -> Optional[Dict[str, Any]]:
        """
        使用LLM分析问题意图

        Args:
            message: 用户消息

        Returns:
            意图分析结果: {
                'type': 'stock_specific' | 'macro_finance' | 'knowledge',
                'description': '问题描述',
                'keywords': ['关键词列表'],
                'stock_names': ['股票名称'] (如果是stock_specific类型)
            }
        """
        if not self.use_llm:
            logger.warning("LLM未配置，无法分析意图")
            return None

        prompt = f"""分析用户的金融问题，判断问题类型和关键信息。

用户问题：{message}

请分析这个问题属于以下哪一类：

1. **stock_specific** - 针对特定股票的问题
   例如："贵州茅台怎么样"、"分析一下比亚迪"、"600519的技术指标"

2. **macro_finance** - 宏观金融问题（不针对特定股票）
   例如："现在A股市场怎么样"、"最近有什么投资机会"、"如何看待当前经济形势"

3. **knowledge** - 金融知识问答
   例如："什么是MACD"、"如何看K线图"、"价值投资是什么"

请以JSON格式返回分析结果：
{{
    "type": "问题类型",
    "description": "问题的简要描述",
    "keywords": ["关键词1", "关键词2"],
    "stock_names": ["股票名称"] (仅当type为stock_specific时)
}}

只返回JSON，不要有任何其他内容。"""

        try:
            result = llm_service.chat(
                messages=[{"role": "user", "content": prompt}],
                temperature=0.3,
                max_tokens=300
            )

            if not result:
                logger.warning("LLM返回空结果")
                return None

            # 清理结果，移除可能的markdown代码块标记
            result = result.strip()
            if result.startswith("```json"):
                result = result[7:]
            if result.startswith("```"):
                result = result[3:]
            if result.endswith("```"):
                result = result[:-3]
            result = result.strip()

            # 检查是否为空
            if not result:
                logger.warning("LLM返回内容为空")
                return None

            # 解析JSON
            intent = json.loads(result)
            logger.info(f"意图分析结果: {intent}")
            return intent

        except json.JSONDecodeError as e:
            logger.error(f"意图分析JSON解析失败: {e}, 原始响应: {result[:200] if result else 'None'}")
            return None
        except Exception as e:
            logger.error(f"意图分析失败: {e}")
            return None

    async def _handle_stock_question(
        self,
        intent_analysis: Dict[str, Any],
        message: str
    ) -> Dict[str, Any]:
        """处理针对特定股票的问题"""
        stock_names = intent_analysis.get('stock_names', [])

        if not stock_names:
            return {
                "message": "抱歉，我没有识别到您提到的股票。请提供更明确的股票代码或名称。",
                "metadata": {"type": "error"}
            }

        # 提取第一个股票（暂时只处理单只股票）
        stock_keyword = stock_names[0]

        # 使用Tushare搜索股票
        search_results = tushare_service.search_stock(stock_keyword)

        if not search_results:
            return {
                "message": f"抱歉，未找到股票\"{stock_keyword}\"。请确认股票名称或代码是否正确。",
                "metadata": {"type": "error"}
            }

        stock = search_results[0]
        stock_code = stock['symbol']
        stock_name = stock['name']

        logger.info(f"处理股票问题: {stock_name}({stock_code})")

        # 判断是否需要全面分析
        is_comprehensive = self._is_comprehensive_analysis(message)

        if is_comprehensive:
            return await self._comprehensive_analysis(stock_code, stock_name, message)
        else:
            return await self._single_query(stock_code, stock_name, message)

    async def _handle_macro_question(
        self,
        intent_analysis: Dict[str, Any],
        message: str
    ) -> Dict[str, Any]:
        """处理宏观金融问题"""
        keywords = intent_analysis.get('keywords', [])
        description = intent_analysis.get('description', '')

        logger.info(f"处理宏观问题: {description}")

        # 使用Brave搜索获取最新信息
        search_query = f"A股市场 {' '.join(keywords)} 最新分析"

        try:
            news_result = await skill_manager.execute_skill(
                "brave_search",
                query=search_query,
                search_type="news",
                count=5,
                freshness="pw"
            )

            # 构建新闻摘要
            news_summary = ""
            if news_result and not news_result.get("error"):
                results = news_result.get("results", [])
                if results:
                    news_summary = "\n【最新市场动态】\n"
                    for idx, news_item in enumerate(results[:5], 1):
                        news_summary += f"{idx}. {news_item.get('title', '无标题')}\n"
                        news_summary += f"   来源: {news_item.get('source', '未知')}\n"
                        news_summary += f"   时间: {news_item.get('published', '未知')}\n\n"

            # 使用LLM进行分析
            prompt = f"""你是一位专业的金融分析师。用户询问了宏观金融问题。

用户问题：{message}

问题分析：{description}
关键词：{', '.join(keywords)}
{news_summary}

请基于当前市场情况和最新动态，给出专业的分析和建议：

## 市场现状分析
- 当前市场整体情况
- 主要影响因素

## 趋势判断
- 短期趋势
- 中长期展望

## 投资建议
- 投资策略建议
- 风险提示

写作要求：
1. 语言简洁专业，避免过度修饰
2. 分析要客观理性，基于事实
3. 控制在400-500字
4. 最后声明："以上分析仅供参考，不构成投资建议。股市有风险，投资需谨慎。"
"""

            analysis = llm_service.chat(
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7,
                max_tokens=1500
            )

            if analysis:
                return {
                    "message": f"【宏观市场分析】\n\n{analysis}",
                    "metadata": {"type": "macro_analysis"}
                }

        except Exception as e:
            logger.error(f"宏观问题处理失败: {e}")

        return {
            "message": "抱歉，暂时无法获取相关信息。请稍后再试。",
            "metadata": {"type": "error"}
        }

    async def _handle_knowledge_question(
        self,
        intent_analysis: Dict[str, Any],
        message: str
    ) -> Dict[str, Any]:
        """处理金融知识问答"""
        description = intent_analysis.get('description', '')
        keywords = intent_analysis.get('keywords', [])

        logger.info(f"处理知识问答: {description}")

        # 直接使用LLM回答
        prompt = f"""你是一位专业的金融教育专家。用户询问了金融知识问题。

用户问题：{message}

请用通俗易懂的语言解释这个概念或回答这个问题：

## 核心概念
- 清晰定义和解释

## 实际应用
- 如何在投资中应用
- 注意事项

## 举例说明
- 用简单的例子帮助理解

写作要求：
1. 语言通俗易懂，避免过多专业术语
2. 如果使用专业术语，要简单解释
3. 控制在300-400字
4. 重点是帮助用户理解，而不是炫耀知识
"""

        try:
            answer = llm_service.chat(
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7,
                max_tokens=1200
            )

            if answer:
                return {
                    "message": f"【金融知识解答】\n\n{answer}",
                    "metadata": {"type": "knowledge"}
                }

        except Exception as e:
            logger.error(f"知识问答处理失败: {e}")

        return {
            "message": "抱歉，暂时无法回答您的问题。请稍后再试。",
            "metadata": {"type": "error"}
        }


# 创建全局实例
smart_agent = SmartStockAgent()