/**
 * PoC autonome — même tâche que `llm-tech-step-poc.ts` (extraction JSON
 * contrainte par schéma d'une séquence d'actions culinaires), même
 * `SYSTEM_PROMPT` (importé tel quel, voir sa doc), mais via
 * [Ollama](https://ollama.com/) au lieu de `node-llama-cpp` — un troisième
 * point de comparaison, architecturalement différent des deux autres
 * moteurs LLM/NLP de ce PoC plutôt qu'une simple redite :
 *
 * - **`node-llama-cpp`** charge le binding natif llama.cpp DANS ce process
 *   Node (mêmes poids, même mémoire, même thread pool que le script).
 * - **Ollama** est un serveur HTTP local **séparé** (`ollama serve`, lancé
 *   par l'app de bureau ou en CLI) — ce script n'est qu'un client HTTP fin
 *   (`ollama` sur npm, aucune dépendance native, aucun binding à compiler à
 *   l'installation) qui lui parle en local (`http://127.0.0.1:11434` par
 *   défaut). Conséquences directes, documentées où elles s'appliquent :
 *   - Pas de téléchargement/cache GGUF géré par ce projet — Ollama gère ses
 *     propres modèles (`~/.ollama/models`), récupérés via `ollama.pull()`
 *     (voir {@link OllamaStepAnalyzer.initialize}).
 *   - **Le delta de RSS de ce process ne mesure RIEN d'utile ici** :
 *     l'inférence tourne dans le process `ollama serve`, pas dans celui-ci
 *     — contrairement à `node-llama-cpp`, où le binding natif partage la
 *     mémoire du process Node. Cette colonne du récapitulatif reste
 *     affichée (même harness que les deux autres moteurs) mais est à
 *     ignorer pour ce script, voir `README.md`.
 *   - Nécessite Ollama installé et **son serveur déjà lancé** en dehors de
 *     ce script (pas de "just works" comme le binding embarqué) —
 *     {@link OllamaStepAnalyzer.initialize} échoue avec un message explicite
 *     si le serveur n'est pas joignable plutôt qu'une erreur `fetch` brute.
 *   - Le schéma JSON imposé au modèle (`format`, voir
 *     {@link KITCHEN_ACTIONS_JSON_SCHEMA}) accepte du JSON Schema standard
 *     (`type: ["string", "null"]` pour un champ nullable) — plus simple que
 *     le détour `oneOf: [{type:"null"}, {type:"..."}]` qu'exige la
 *     grammaire GBNF de node-llama-cpp (voir `llm-tech-step-poc.ts`), un
 *     autre point de comparaison entre les deux mécanismes de contrainte.
 *
 * Usage : voir `README.md`. En bref :
 *
 * ```bash
 * ollama serve                      # dans un terminal séparé, si pas déjà lancé
 * cd experiments/llm-tech-step-poc
 * pnpm install --ignore-workspace
 * pnpm bench:ollama
 * ```
 */

import { performance } from "node:perf_hooks";
import { Ollama } from "ollama";
import { SYSTEM_PROMPT } from "./llm-tech-step-poc.js";
import {
  type BenchmarkSample,
  printSummaryTable,
  runBenchmark,
} from "./shared/benchmark-harness.js";
import { KitchenActionType, type RecipeStepAnalysis } from "./shared/kitchen-action.js";
import { isMainModule } from "./shared/module-entry.js";
import type { BenchmarkSentence } from "./shared/test-sentences.js";

// ---------------------------------------------------------------------------
// Schéma JSON — passé tel quel à Ollama via `format`
// ---------------------------------------------------------------------------

/**
 * Schéma JSON standard (pas de dialecte GBNF-spécifique) — Ollama valide/
 * contraint la génération directement contre ce schéma via son paramètre
 * `format`. Champ à champ, en miroir strict de `KitchenAction`
 * (`shared/kitchen-action.ts`), même remarque que côté `node-llama-cpp` :
 * ça n'impose qu'une SYNTAXE JSON valide, jamais la justesse sémantique du
 * contenu — c'est {@link SYSTEM_PROMPT} qui porte la sémantique.
 */
const KITCHEN_ACTION_JSON_SCHEMA = {
  type: "object",
  properties: {
    action: { type: "string", enum: Object.values(KitchenActionType) },
    verb: { type: "string" },
    ingredients: { type: "array", items: { type: "string" } },
    durationMinutes: { type: ["number", "null"] },
    temperature: { type: ["string", "null"] },
    utensils: { type: "array", items: { type: "string" } },
  },
  required: ["action", "verb", "ingredients", "durationMinutes", "temperature", "utensils"],
};

/** Racine du schéma — même choix qu'en `node-llama-cpp` (`{ actions: [...] }` plutôt qu'un tableau nu), `originalText` volontairement absent, voir `llm-tech-step-poc.ts` pour le raisonnement complet. */
const KITCHEN_ACTIONS_JSON_SCHEMA = {
  type: "object",
  properties: {
    actions: { type: "array", items: KITCHEN_ACTION_JSON_SCHEMA },
  },
  required: ["actions"],
};

/** Forme attendue du JSON renvoyé par Ollama (`response.message.content`, une chaîne à parser) une fois conforme à {@link KITCHEN_ACTIONS_JSON_SCHEMA}. */
interface KitchenActionsSchemaResult {
  actions: RecipeStepAnalysis["actions"];
}

// ---------------------------------------------------------------------------
// Modèles recommandés
// ---------------------------------------------------------------------------

/** Mêmes deux familles de modèles que `llm-tech-step-poc.ts` (voir son comparatif) — pour rester comparable, référencées ici par leur tag Ollama plutôt qu'une URI `hf:`. */
export type RecommendedOllamaModelKey = "qwen2.5-1.5b" | "llama-3.2-1b";

interface RecommendedOllamaModel {
  /** Tag tel qu'Ollama le résout (`ollama pull <tag>`) — voir https://ollama.com/library. */
  tag: string;
  rationale: string;
}

const RECOMMENDED_MODELS: Record<RecommendedOllamaModelKey, RecommendedOllamaModel> = {
  "qwen2.5-1.5b": {
    tag: "qwen2.5:1.5b",
    rationale:
      "Même choix par défaut que côté node-llama-cpp : meilleure robustesse multilingue FR/EN et meilleur suivi d'instructions de structuration JSON.",
  },
  "llama-3.2-1b": {
    tag: "llama3.2:1b",
    rationale:
      "Alternative plus légère — voir le comparatif détaillé et les résultats empiriques dans le README et dans llm-tech-step-poc.ts.",
  },
};

const DEFAULT_OLLAMA_HOST = "http://127.0.0.1:11434";

// ---------------------------------------------------------------------------
// OllamaStepAnalyzer
// ---------------------------------------------------------------------------

/**
 * Client Ollama enrobé comme service d'analyse d'étapes de recette — vraie
 * `class` (pas un objet littéral), même convention que
 * `LocalLlmStepAnalyzer`/`NlpTechStepClassifier` : possède un état réel (le
 * client HTTP, le tag du modèle sélectionné), même si ici l'état lourd
 * (les poids du modèle) vit dans le process `ollama serve` séparé, pas
 * dans cette instance.
 */
export class OllamaStepAnalyzer {
  private readonly _client: Ollama;
  private readonly _host: string;
  /** Tag du modèle une fois résolu/pull par `initialize()`. `undefined` avant. */
  private _modelTag: string | undefined;

  public constructor(host: string = DEFAULT_OLLAMA_HOST) {
    this._host = host;
    this._client = new Ollama({ host });
  }

  /**
   * Vérifie/télécharge le modèle (`ollama pull`, no-op quasi instantané si
   * déjà présent localement — Ollama compare les manifestes de couches
   * avant de retélécharger quoi que ce soit) et journalise la progression
   * par palier de statut plutôt que de rester muet le temps du
   * téléchargement (potentiellement plusieurs centaines de Mo au premier
   * pull d'un modèle).
   *
   * Échoue avec un message explicite (plutôt que l'erreur `fetch` brute
   * remontée par `ollama-js`) si le serveur Ollama n'est pas joignable —
   * contrairement à `node-llama-cpp`, ce PoC dépend d'un process externe
   * que ce script ne lance pas lui-même.
   */
  public async initialize(modelKey: RecommendedOllamaModelKey): Promise<void> {
    const tag = RECOMMENDED_MODELS[modelKey].tag;
    console.info(`[ollama] vérification/pull du modèle "${tag}" sur ${this._host}...`);
    try {
      await this._ensureModelPulled(tag);
    } catch (err) {
      throw new Error(
        `OllamaStepAnalyzer: impossible de joindre Ollama sur ${this._host} — le serveur est-il lancé (\`ollama serve\`, ou l'app de bureau Ollama) ?`,
        { cause: err },
      );
    }
    this._modelTag = tag;
  }

  /** Force un premier appel factice — même rôle que le warm-up des deux autres moteurs : le premier vrai appel `chat()` déclenche le chargement des poids en mémoire côté serveur Ollama, un coût cependant nettement moins visible ici qu'avec node-llama-cpp car mutualisé/mis en cache par le serveur entre plusieurs process clients. */
  public async warmUp(): Promise<void> {
    await this.analyzeStep("Faites chauffer une poêle.");
  }

  /** Analyse une étape de recette et renvoie sa séquence ordonnée d'actions, via `ollama.chat()` contraint par {@link KITCHEN_ACTIONS_JSON_SCHEMA}. */
  public async analyzeStep(stepText: string): Promise<RecipeStepAnalysis> {
    if (this._modelTag === undefined) {
      throw new Error("OllamaStepAnalyzer.initialize() must be awaited before analyzeStep().");
    }

    const response = await this._client.chat({
      model: this._modelTag,
      messages: [
        { role: "system", content: SYSTEM_PROMPT },
        { role: "user", content: stepText },
      ],
      format: KITCHEN_ACTIONS_JSON_SCHEMA,
      // Température 0 — génération déterministe, cohérent avec l'usage
      // d'un schéma imposé : on veut la sortie la plus prévisible possible
      // pour ce qui reste discrétionnaire (le contenu, pas la syntaxe).
      options: { temperature: 0 },
      stream: false,
    });

    let parsed: KitchenActionsSchemaResult;
    try {
      parsed = JSON.parse(response.message.content) as KitchenActionsSchemaResult;
    } catch (err) {
      throw new Error(
        `OllamaStepAnalyzer: réponse non-JSON malgré le schéma imposé — "${response.message.content}"`,
        { cause: err },
      );
    }
    return { originalText: stepText, actions: parsed.actions };
  }

  /**
   * Décharge le modèle de la mémoire du serveur Ollama (`keep_alive: 0`) —
   * best effort, purement pour ne pas laisser le modèle chargé
   * indéfiniment après ce benchmark : `ollama serve` tourne indépendamment
   * de ce script (pas lancé ni arrêté par lui), donc rien d'autre à
   * libérer côté process Node.
   */
  public async dispose(): Promise<void> {
    if (this._modelTag === undefined) return;
    try {
      await this._client.chat({ model: this._modelTag, messages: [], keep_alive: 0 });
    } catch (err) {
      console.error("[ollama] échec du déchargement du modèle (non bloquant)", err);
    }
  }

  /** Lance un `pull` en streaming et journalise chaque changement de statut (`pulling manifest`, `downloading`, `verifying sha256 digest`...) avec le pourcentage quand Ollama le fournit. */
  private async _ensureModelPulled(tag: string): Promise<void> {
    const progress = await this._client.pull({ model: tag, stream: true });
    let lastStatus = "";
    for await (const part of progress) {
      if (part.status === lastStatus) continue;
      lastStatus = part.status;
      const percent =
        part.completed !== undefined && part.total !== undefined && part.total > 0
          ? ` (${Math.round((part.completed / part.total) * 100)}%)`
          : "";
      console.info(`[ollama]   ${part.status}${percent}`);
    }
  }
}

// ---------------------------------------------------------------------------
// Benchmark
// ---------------------------------------------------------------------------

/** Imprime le détail de chaque échantillon — même format que `llm-tech-step-poc.ts`, pour comparer les deux moteurs LLM à l'œil ligne à ligne. */
function printDetailedResults(samples: readonly BenchmarkSample<RecipeStepAnalysis>[]): void {
  for (const sample of samples) {
    console.info(
      `\n[${sample.sentence.id}] (${sample.sentence.locale}) — ${sample.latencyMs.toFixed(0)} ms`,
    );
    console.info(`  texte     : ${sample.sentence.text}`);
    console.info(`  attendu   : ${sample.sentence.note}`);
    console.table(
      sample.result.actions.map((action) => ({
        action: action.action,
        verbe: action.verb,
        ingrédients: action.ingredients.join(", "),
        "durée (min)": action.durationMinutes ?? "—",
        température: action.temperature ?? "—",
        ustensiles: action.utensils.join(", "),
      })),
    );
  }
}

/**
 * Point d'entrée : charge le modèle choisi via `OLLAMA_TECH_STEP_MODEL`
 * (`"qwen2.5-1.5b"` par défaut), contre le serveur Ollama de
 * `OLLAMA_TECH_STEP_HOST` (`http://127.0.0.1:11434` par défaut), lance le
 * benchmark sur les 11 phrases partagées, imprime les résultats détaillés
 * puis le récapitulatif, et décharge le modèle avant de quitter.
 */
async function main(): Promise<void> {
  const modelKey: RecommendedOllamaModelKey =
    process.env.OLLAMA_TECH_STEP_MODEL === "llama-3.2-1b" ? "llama-3.2-1b" : "qwen2.5-1.5b";
  const host = process.env.OLLAMA_TECH_STEP_HOST ?? DEFAULT_OLLAMA_HOST;
  console.info(
    `[ollama] modèle sélectionné : ${modelKey} (${RECOMMENDED_MODELS[modelKey].rationale})`,
  );

  const analyzer = new OllamaStepAnalyzer(host);
  try {
    await analyzer.initialize(modelKey);
  } catch (err) {
    console.error("[ollama] échec de l'initialisation", err);
    process.exitCode = 1;
    return;
  }

  const warmUpStartedAt = performance.now();
  try {
    await analyzer.warmUp();
  } catch (err) {
    console.error("[ollama] échec du warm-up — le benchmark continue quand même", err);
  }
  console.info(`[ollama] warm-up en ${(performance.now() - warmUpStartedAt).toFixed(0)} ms`);

  try {
    const benchmarkStartedAt = performance.now();
    const samples = await runBenchmark<RecipeStepAnalysis>({
      logPrefix: "[ollama]",
      countOf: (result) => result.actions.length,
      countLabel: "action(s) détectée(s)",
      analyze: (sentence: BenchmarkSentence) => analyzer.analyzeStep(sentence.text),
    });
    console.info(
      `[ollama] benchmark complet en ${(performance.now() - benchmarkStartedAt).toFixed(0)} ms`,
    );
    printDetailedResults(samples);
    console.info(
      "\n[ollama] rappel : la colonne 'RSS moy.' ci-dessous ne mesure rien d'utile pour ce moteur — l'inférence tourne dans le process `ollama serve`, pas dans ce script (voir le doc-comment en tête de fichier).",
    );
    printSummaryTable(samples, (result) => result.actions.length, "actions détectées");
  } finally {
    try {
      await analyzer.dispose();
    } catch (err) {
      console.error("[ollama] erreur lors de la libération du modèle", err);
    }
  }
}

if (isMainModule(import.meta.url)) {
  await main();
}