"""
Croisement d'une réclamation client avec les photos d'entrée du véhicule.

Entrée :
  - le JSON de détection des pièces visibles par photo (sortie YOLO de
    détection de pièces), au format :
        [
          {
            "image_path": "...",
            "image_size": {"height": ..., "width": ...},
            "detected_parts": {"<part_name>": <count>, ...}
          },
          ...
        ]
    Une pièce est considérée "visible" sur une photo si sa clé est présente
    dans detected_parts (count >= 1).
  - une phrase client au format quasi fixe, ex:
        "Le client rapporte des éraflures sur son pare-choc avant"
        "Le client rapporte un micro-impact en haut de l'aile arrière droite"

Pipeline :
  1. Un petit LLM texte (Qwen2.5-0.5B-Instruct) extrait {type_dommage, zone}
     depuis la phrase. On utilise un modèle dédié plus léger que le VLM 3B
     pour cette tâche purement textuelle (plus rapide sur CPU, et ça évite
     de mélanger les deux usages dans le même modèle).
  2. La zone extraite (en français libre) est mappée vers une entrée de
     PARTS_LIST (la nomenclature snake_case avec préfixe left_/right_ utilisée
     par le détecteur de pièces) via un dictionnaire de correspondance. Les
     zones non couvertes explicitement par la liste (ex: "aile") sont
     mappées vers la pièce existante la plus proche physiquement.
  3. On filtre, parmi les photos d'entrée déjà analysées, celles où cette
     pièce apparaît dans detected_parts.
  4. Sur CHAQUE photo filtrée :
       a. YOLO (modèle de détection d'objets généraliste, classe "car"/
          "truck") localise le véhicule dans l'image et fournit une bbox.
          On agrandit légèrement cette bbox puis on CROPPE l'image dessus
          avant de la transmettre au VLM — l'idée est d'éviter de faire
          analyser par Qwen toute la photo (fond, sol, autres véhicules,
          etc.) quand seule la voiture nous intéresse. Si YOLO ne détecte
          aucun véhicule, on retombe sur l'image entière.
       b. Le crop est redimensionné si nécessaire (plafond de résolution)
          avant d'être transmis au VLM, pour limiter le nombre de tokens
          visuels générés par le processor — c'est ce nombre de tokens qui
          dicte le coût de calcul du VLM, pas la qualité visuelle perçue.
       c. Qwen2.5-VL-3B (VLM) est interrogé sur ce CROP (redimensionné),
          spécifiquement sur la présence du dommage signalé (rayure,
          éraflure, impact, etc.) dans la zone concernée.
       d. La bbox de dommage renvoyée par le VLM (normalisée dans l'espace
          de l'image envoyée au VLM, donc après resize) est remappée dans
          l'espace de l'image ORIGINALE pour l'annotation finale.
  5. Agrégation : dès qu'une photo dit "oui" -> résultat global OUI, avec la
     photo où le dommage a été repéré. Sinon -> résultat global NON, avec la
     liste des photos qui couvraient la zone (pour vérification à l'œil nu).

"""

import gc
import json
import os
import re
from pathlib import Path
from datetime import datetime, timezone

import cv2
from google import genai
from google.genai import types

import torch
from PIL import Image, ImageDraw, ImageFont
from transformers import AutoModelForCausalLM, AutoTokenizer
from ultralytics import YOLO

# S'assure que torch utilise bien tous les cœurs disponibles.
torch.set_num_threads(os.cpu_count() or 1)

TEXT_EXTRACT_MODEL_ID = "Qwen/Qwen2.5-0.5B-Instruct"
TEXT_EXTRACT_MAX_NEW_TOKENS = 80

GEMINI_MODEL_ID = "gemini-3.5-flash"
GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY")

# OPTIM #2 : plafond de résolution ADAPTATIF.
# Le plafond est donc calculé en fonction du plus grand côté de l'image
# D'ORIGINE : plus l'image source est grande, plus on autorise une résolution finale élevée 
MAX_VLM_IMAGE_SIDE_FLOOR = 768    # plafond minimum 
MAX_VLM_IMAGE_SIDE_CEIL = 3000    # plafond maximum
MAX_VLM_IMAGE_SIDE_RATIO = 1.00

# Modèle YOLO générique (poids pré-entraînés COCO) utilisé uniquement pour
# localiser le véhicule dans la photo et la recadrer avant l'appel au VLM.
YOLO_VEHICLE_MODEL_PATH = "yolov8n.pt"
YOLO_VEHICLE_CLASS_NAMES = {"car", "truck", "bus", "van"}

# Marge ajoutée autour de la bbox détectée par YOLO, en fraction de sa
# largeur/hauteur, pour ne pas couper des parties du véhicule (rétro, etc.)
YOLO_BBOX_MARGIN_RATIO = 0.08
YOLO_CONF_THRESHOLD = 0.30

# Résolution d'inférence YOLO. On n'a besoin que de localiser grossièrement un véhicule, pas d'une précision pixel-perfect
YOLO_INFERENCE_IMGSZ = 416

# ─── PARTS_LIST ──────────────────────────────────────────────────────────────
# Nomenclature des pièces telle que produite par le détecteur de pièces

PARTS_LIST = [
    "hood",
    "roof",
    "windshield",
    "back-windshield",
    "grille",
    "license-plate",
    "front-bumper",
    "back-bumper",
    "trunk",
    "left_front-window",
    "right_front-window",
    "left_back-window",
    "right_back-window",
    "left_front-wheel",
    "right_front-wheel",
    "left_back-wheel",
    "right_back-wheel",
    "left_fender",
    "right_fender",
    "left_quarter-panel",
    "right_quarter-panel",
    "left_front-door",
    "right_front-door",
    "left_back-door",
    "right_back-door",
    "left_rocker-panel",
    "right_rocker-panel",
    "left_headlight",
    "right_headlight",
    "left_tail-light",
    "right_tail-light",
    "left_mirror",
    "right_mirror",
]


# ─── CHARGEMENT DU MODÈLE QWEN-VL ──────

_gemini_client = None


def get_gemini_client():
    global _gemini_client
    if _gemini_client is None:
        if not GEMINI_API_KEY:
            raise EnvironmentError(
                "GEMINI_API_KEY non définie. "
                "Exportez-la avant de lancer le script : export GEMINI_API_KEY=..."
            )
        _gemini_client = genai.Client(api_key=GEMINI_API_KEY)
        print(f"✅ Client Gemini initialisé ({GEMINI_MODEL_ID})")
    return _gemini_client


def free_gemini_client():
    """Gemini est une API distante, pas de mémoire locale à libérer."""
    global _gemini_client
    _gemini_client = None

# ─── CHARGEMENT DU MODÈLE YOLO (localisation véhicule pour recadrage) ──────

_yolo_model = None


def get_yolo_model():
    global _yolo_model
    if _yolo_model is None:
        _yolo_model = YOLO(YOLO_VEHICLE_MODEL_PATH)
    return _yolo_model


def detect_vehicle_bbox(image_path):
    """
    Détecte le véhicule principal dans l'image avec YOLO et retourne sa bbox
    élargie [x1, y1, x2, y2] en pixels dans l'espace de l'image ORIGINALE.

    Retourne None si aucun véhicule n'est détecté (l'appelant doit alors
    retomber sur l'image entière).

    Si plusieurs véhicules sont détectés, on garde celui dont la boîte estla plus grande.
    """
    model = get_yolo_model()
    results = model.predict(
        source=image_path,
        conf=YOLO_CONF_THRESHOLD,
        imgsz=YOLO_INFERENCE_IMGSZ,
        verbose=False,
    )

    if not results:
        return None

    result = results[0]
    names = result.names

    best_box = None
    best_area = 0.0

    for box in result.boxes:
        class_id = int(box.cls.item())
        class_name = names.get(class_id, "")
        if class_name not in YOLO_VEHICLE_CLASS_NAMES:
            continue

        x1, y1, x2, y2 = [float(v) for v in box.xyxy[0].tolist()]
        area = (x2 - x1) * (y2 - y1)
        if area > best_area:
            best_area = area
            best_box = (x1, y1, x2, y2)

    if best_box is None:
        return None

    x1, y1, x2, y2 = best_box
    img = Image.open(image_path)
    img_w, img_h = img.size

    box_w = x2 - x1
    box_h = y2 - y1
    margin_x = box_w * YOLO_BBOX_MARGIN_RATIO
    margin_y = box_h * YOLO_BBOX_MARGIN_RATIO

    x1 = max(0, x1 - margin_x)
    y1 = max(0, y1 - margin_y)
    x2 = min(img_w, x2 + margin_x)
    y2 = min(img_h, y2 + margin_y)

    return [round(x1), round(y1), round(x2), round(y2)]


def crop_image_to_vehicle(image_path):
    """
    Recadre l'image sur le véhicule détecté par YOLO.
    """
    img = Image.open(image_path).convert("RGB")
    vehicle_bbox = detect_vehicle_bbox(image_path)

    if vehicle_bbox is None:
        print("   ⚠ Aucun véhicule détecté par YOLO -> image entière utilisée")
        return img, None

    x1, y1, x2, y2 = vehicle_bbox
    cropped = img.crop((x1, y1, x2, y2))
    print(f"   ✂ Recadrage YOLO sur le véhicule : bbox={vehicle_bbox} "
          f"({img.size} -> {cropped.size})")
    return cropped, vehicle_bbox


def resize_for_vlm(img):

    w, h = img.size
    longest = max(w, h)

    target_max_side = max(
        MAX_VLM_IMAGE_SIDE_FLOOR,
        min(MAX_VLM_IMAGE_SIDE_CEIL, longest * MAX_VLM_IMAGE_SIDE_RATIO),
    )

    if longest <= target_max_side:
        return img, 1.0

    scale = target_max_side / longest
    new_w = max(1, round(w * scale))
    new_h = max(1, round(h * scale))
    resized = img.resize((new_w, new_h), Image.LANCZOS)
    return resized, scale


# Dictionnaire de correspondance zone
# Les clés sont des sous-chaînes recherchées dans la zone extraite.
# On mappe les zones non couvertes explicitement vers la pièce existante la plus proche physiquement
ZONE_FR_TO_PART = {
    # Pare-chocs (pièce centrale, pas de préfixe gauche/droite)
    "pare-choc avant": "front-bumper",
    "pare choc avant": "front-bumper",
    "pare-choc arriere": "back-bumper",
    "pare choc arriere": "back-bumper",

    # Pare-choc(s) SANS précision avant/arrière (ex: "le pare-chocs est
    # abîmé") -> on ne devine PAS lequel des deux : on couvre les DEUX
    # (avant ET arrière) plutôt que de tomber sur "zone non spécifiée"
    # (qui élargirait la vérification à toute la voiture au lieu de la
    # restreindre aux pare-chocs). Placées après les variantes avant/arrière
    # ci-dessus : peu importe, le tri par longueur de clé (_ZONE_KEYS_SORTED)
    # garantit que "pare-choc avant"/"pare-choc arriere" sont essayées avant.
    "pare-choc": ["front-bumper", "back-bumper"],
    "pare choc": ["front-bumper", "back-bumper"],
    "pare-chocs": ["front-bumper", "back-bumper"],
    "pare chocs": ["front-bumper", "back-bumper"],

    # Capot / coffre / toit
    "capot": "hood",
    "coffre": "trunk",
    "malle arriere": "trunk",
    "toit": "roof",

    # Plaque d'immatriculation / calandre
    "plaque d'immatriculation": "license-plate",
    "plaque immatriculation": "license-plate",
    "calandre": "grille",

    # Portières
    "portiere avant gauche": "left_front-door",
    "porte avant gauche": "left_front-door",
    "portiere avant droite": "right_front-door",
    "porte avant droite": "right_front-door",
    "portiere arriere gauche": "left_back-door",
    "porte arriere gauche": "left_back-door",
    "portiere arriere droite": "right_back-door",
    "porte arriere droite": "right_back-door",

    # Porte(s)/portière(s) SANS précision de côté NI d'axe avant/arrière
    # (ex: "une porte est enfoncée") -> comme pour le pare-choc, on ne
    # devine pas laquelle : on couvre les 4 portes plutôt que d'élargir la
    # vérification à toute la voiture.
    "portiere": ["left_front-door", "right_front-door", "left_back-door", "right_back-door"],
    "porte": ["left_front-door", "right_front-door", "left_back-door", "right_back-door"],

    # Rétroviseurs
    "retroviseur gauche": "left_mirror",
    "retro gauche": "left_mirror",
    "retroviseur droit": "right_mirror",
    "retro droit": "right_mirror",

    # Phares / feux
    "phare gauche": "left_headlight",
    "phare avant gauche": "left_headlight",
    "phare droit": "right_headlight",
    "phare avant droit": "right_headlight",
    "feu arriere gauche": "left_tail-light",
    "feu gauche": "left_tail-light",
    "feu arriere droit": "right_tail-light",
    "feu droit": "right_tail-light",

    # Roues
    "roue avant gauche": "left_front-wheel",
    "roue avant droite": "right_front-wheel",
    "roue arriere gauche": "left_back-wheel",
    "roue arriere droite": "right_back-wheel",

    # Vitres / pare-brise
    "pare-brise avant": "windshield",
    "pare brise avant": "windshield",
    "pare-brise": "windshield",
    "pare brise": "windshield",
    "pare-brise arriere": "back-windshield",
    "pare brise arriere": "back-windshield",
    "lunette arriere": "back-windshield",
    "vitre avant gauche": "left_front-window",
    "vitre avant droite": "right_front-window",
    "vitre arriere gauche": "left_back-window",
    "vitre arriere droite": "right_back-window",

    # Bas de caisse
    "bas de caisse gauche": "left_rocker-panel",
    "bas de caisse droit": "right_rocker-panel",

    # Ailes
    "aile avant gauche": "left_fender",
    "aile avant droite": "right_fender",
    "aile arriere gauche": "left_quarter-panel",
    "aile arriere droite": "right_quarter-panel",
    "aile gauche": "left_fender",
    "aile droite": "right_fender",

    # Précision PARTIELLE : un seul axe mentionné (avant/arrière/gauche/
    # droite seul, sans partie plus précise) -> retraitement mail : on
    # n'élargit PAS à toute la voiture (ça, c'est le cas "aucune précision"
    # géré par map_zone_to_part -> None), on cible un GROUPE de pièces
    # cohérent avec l'axe indiqué. Ces clés sont volontairement courtes
    # donc triées en dernier par _ZONE_KEYS_SORTED : un motif plus précis
    # ci-dessus (ex: "aile avant gauche") est toujours essayé avant.
    "avant": "front-bumper",
    "arriere": "back-bumper",
    "droite": ["right_fender", "right_front-door", "right_back-door"],
    "gauche": ["left_fender", "left_front-door", "left_back-door"],
}

# Tri par longueur de clé décroissante : on veut matcher "aile arriere droite" avant un éventuel motif plus générique qui s'y trouverait inclus.
_ZONE_KEYS_SORTED = sorted(ZONE_FR_TO_PART.keys(), key=len, reverse=True)


# ─── CORRESPONDANCE CODE PIÈCE (nomenclature CV) -> LIBELLÉ FRANÇAIS ─────────
# Utilisé pour afficher un libellé lisible (colonne AppSheet "Localisation
# Carrosserie") plutôt que le code technique interne (ex: "front-bumper").
CODE_TO_FR_LABEL = {
    "front-bumper": "Pare-choc avant",
    "back-bumper": "Pare-choc arrière",
    "hood": "Capot",
    "trunk": "Coffre",
    "roof": "Toit",
    "license-plate": "Plaque d'immatriculation",
    "grille": "Calandre",
    "windshield": "Pare-brise avant",
    "back-windshield": "Pare-brise arrière",
    "left_front-door": "Portière avant gauche",
    "right_front-door": "Portière avant droite",
    "left_back-door": "Portière arrière gauche",
    "right_back-door": "Portière arrière droite",
    "left_mirror": "Rétroviseur gauche",
    "right_mirror": "Rétroviseur droit",
    "left_headlight": "Phare avant gauche",
    "right_headlight": "Phare avant droit",
    "left_tail-light": "Feu arrière gauche",
    "right_tail-light": "Feu arrière droit",
    "left_front-wheel": "Roue avant gauche",
    "right_front-wheel": "Roue avant droite",
    "left_back-wheel": "Roue arrière gauche",
    "right_back-wheel": "Roue arrière droite",
    "left_front-window": "Vitre avant gauche",
    "right_front-window": "Vitre avant droite",
    "left_back-window": "Vitre arrière gauche",
    "right_back-window": "Vitre arrière droite",
    "left_rocker-panel": "Bas de caisse gauche",
    "right_rocker-panel": "Bas de caisse droit",
    "left_fender": "Aile avant gauche",
    "right_fender": "Aile avant droite",
    "left_quarter-panel": "Aile arrière gauche",
    "right_quarter-panel": "Aile arrière droite",
}


EXTRACTION_PROMPT_TEMPLATE = """Tu es un extracteur d'informations strict. On te donne une phrase décrivant une réclamation client sur un véhicule.

Extrait UNIQUEMENT deux informations :
- type_dommage : le type de dommage signalé (ex: rayure, éraflure, impact, bosse, fissure), en un ou deux mots, en français, au singulier
- zone : la zone du véhicule concernée, en français, avec position (avant/arrière) et côté (gauche/droite) si mentionnés

Réponds STRICTEMENT en JSON, sur une seule ligne, sans aucun texte avant ou après, au format :
{{"type_dommage": "...", "zone": "..."}}

Phrase : "{phrase}"
JSON :"""

DAMAGE_CHECK_PROMPT_TEMPLATE = """You are a strict automotive damage inspector analyzing a vehicle entry photo.

The client reported: "{type_dommage}" on the "{zone_en}".

You must work in TWO STRICT STEPS. Do not skip ahead to a verdict before finishing Step 1.

─── STEP 1 — LOCATE ──────────────────────────────────────────────────────────
Find the "{zone_en}" in this image. Identify the SMALLEST bounding box that
tightly contains just that part (not the whole panel, not neighboring parts,
not the wheel or wheel well unless they ARE the part in question).

Output this box as: locate_box: <x1 y1 x2 y2> as fractions of image
width/height (e.g. 0.10 0.60 0.45 0.85). All four values between 0.0 and 1.0.

─── STEP 2 — INSPECT ONLY THAT BOX ──────────────────────────────────────────
Now mentally zoom into ONLY the region you defined in locate_box. Ignore
everything outside it — reflections or marks elsewhere in the image are NOT
relevant to this judgment, even if they are visually similar.

Before concluding, you MUST rule out these common false positives WITHIN
that region only:

1. LIGHT REFLECTIONS — bright streaks, halos, and white lines that follow a
   light source and change with viewing angle. A real scratch is a
   continuous, narrow, matte or dark line that does NOT follow a light
   source.
2. PANEL LINES & BODY CONTOURS — factory edges, door gaps, bumper moldings,
   and aerodynamic creases. They are sharp, symmetrical, and uniform.
3. DIRT / DUST PATCHES — diffuse, irregular light patches with no defined
   edge.
4. WET SURFACE ARTIFACTS — water droplets, wet reflections, glare.
5. CAMERA ARTIFACTS — overexposed pixels, lens flare, low-light noise.
6. REFLECTED ENVIRONMENT OBJECTS — sky, windows, doorways, ceiling structures,
   or other objects reflected in glossy paint appear as light patches whose
   SHAPE matches a recognizable external object (a window pane, a strip of
   sky, a light fixture, a doorway) rather than a mark on the paint itself.
   This is the single most common false positive on dark, glossy panels.
   Signs it's a reflection, not damage:
     - edges are soft or follow a gradient, not sharply and irregularly cut
     - the patch is smooth and uniformly bright/colored (white, pale blue,
       pale grey) with no internal texture or granularity
     - the shape resembles a recognizable external structure (rectangle of
       a window, straight edge of a wall, strip of sky)
     - there is NO accompanying paint disruption: no matte texture, no
       scuffing, no exposed primer/plastic color underneath

A TRUE damage mark inside that region satisfies ALL of:
  ✓ Has a defined, irregular edge inconsistent with factory body lines
  ✓ Is localized to a specific small area within the region
  ✓ Is NOT aligned with or explained by a visible light source
  ✓ Is NOT explained by a reflected object (sky, window, structure — see
    point 6 above)
  ✓ Appears as material disruption: paint removal, scuffing, deformation,
    or a matte/dark mark clearly distinct from the surrounding clean paint
  ✓ Is DULLER or more matte than the surrounding paint, or shows a
    different material color (grey plastic, primer, dust) — real damage
    almost never looks brighter, glossier, or smoother than the paint
    around it. If the candidate mark is brighter, shinier, or more uniform
    than its surroundings, treat it as a reflection, not damage, regardless
    of its shape or position.

IMPORTANT — reflections and real damage often coexist in the same small
area. Their presence together is NOT a reason to answer "unsure". Treat
them as separate objects in the same region:
  - If you can identify a reflection/glare AND a separate mark that meets
    the criteria above, answer "yes" — the reflection does not invalidate
    the mark next to it.
  - If everything you see is fully explained by light/reflection/reflected
    objects alone, answer "no".
  - Reserve "unsure" strictly for cases where the region itself cannot be
    seen clearly (too dark, blurry, occluded, or extreme glare hiding the
    surface) — not for cases where you can see the surface clearly but feel
    uncertain about classifying a mark you can see.

Before finalizing your answer, ask yourself explicitly: "If I mentally
removed all reflections, glare, and reflected objects from this image,
would this mark still be visible as a physical disruption of the paint?"
If its visibility depends on the viewing angle, the light source, or it
matches the shape of something in the surrounding environment, answer
"no", not "yes".

─── STEP 3 — PINPOINT THE DAMAGE BOX ────────────────────────────────────────
If damage_visible is "yes", you must now draw a SECOND, much smaller box:
damage_box. This box must tightly hug ONLY the visible mark itself (the
scuff, scratch, chip, dent) — not the surrounding clean paint, not the
whole panel section, not the locate_box area.

Hard constraints on damage_box:
  - damage_box MUST be a strict subset of locate_box (fully contained inside
    it).
  - damage_box MUST be SIGNIFICANTLY smaller than locate_box — as a rough
    guide, its area should be well under 20% of locate_box's area, often
    much less (a scratch or scuff is usually a thin line or small patch,
    not a large region).
  - If there are multiple separate marks, draw damage_box around the single
    most obvious / clearest one only — do not try to enclose all of them in
    one large box.
  - Never output a damage_box that is the same size as, or close in size to,
    locate_box. If you cannot pinpoint a small region tighter than that,
    answer "unsure" instead of "yes".

─── ANSWER FORMAT ────────────────────────────────────────────────────────────
Answer in EXACTLY this format, four lines, nothing before, nothing after,
no markdown, no bullet points, no extra commentary outside these four lines:

locate_box: x1 y1 x2 y2
damage_visible: yes
reason: short 5-10 word reason
damage_box: x1 y1 x2 y2

EXAMPLE of a correctly formatted answer:
locate_box: 0.42 0.55 0.78 0.92
damage_visible: yes
reason: small scuff and paint chip on bumper edge
damage_box: 0.58 0.68 0.64 0.74

Strict formatting rules for every line:
- ALL FOUR numbers on locate_box and damage_box lines are FRACTIONS of image
  width/height, strictly between 0.0 and 1.0. NEVER pixel coordinates.
  A value like 612 or 644 is WRONG — these are pixel counts, not fractions,
  and will be rejected. If you are unsure of the fraction, estimate it as
  (pixel position) / (image width or height) before writing it down.
- Each box line must contain EXACTLY four space-separated decimal numbers
  between 0.0 and 1.0, and nothing else — no units, no parentheses, no
  words, no trailing punctuation.
- damage_visible must be exactly one of: yes / no / unsure (lowercase, no
  other words).
- reason must be a single line, 5 to 10 words, no line breaks.
- If damage_visible is "no" or "unsure", write exactly: damage_box: none"""

_text_model = None
_text_tokenizer = None


# ─── CHARGEMENT DU MODÈLE TEXTE ────────────────────────────────

def get_text_extract_model():
    global _text_model, _text_tokenizer
    if _text_model is None:
        print(f"⏳ Chargement du modèle d'extraction texte '{TEXT_EXTRACT_MODEL_ID}'…")
        _text_model = AutoModelForCausalLM.from_pretrained(
            TEXT_EXTRACT_MODEL_ID,
            device_map="cpu",
        )
        _text_tokenizer = AutoTokenizer.from_pretrained(TEXT_EXTRACT_MODEL_ID)
    return _text_model, _text_tokenizer


def free_text_extract_model():
    """
    Libère le petit modèle texte de la mémoire.
    """
    global _text_model, _text_tokenizer
    if _text_model is not None:
        del _text_model
        del _text_tokenizer
        _text_model = None
        _text_tokenizer = None
        gc.collect()
        print("🧹 Modèle d'extraction texte libéré de la mémoire")


# ─── ÉTAPE 1 : EXTRACTION {type_dommage, zone} DEPUIS LA PHRASE CLIENT ──────

def extract_damage_report(client_message: str) -> dict:
    """
    Extrait {"type_dommage": ..., "zone": ...} depuis la phrase client via
    Qwen2.5-0.5B-Instruct. Lève une exception explicite si le JSON renvoyé
    est invalide, plutôt que de continuer avec des données silencieusement
    fausses.
    """
    model, tokenizer = get_text_extract_model()

    prompt = EXTRACTION_PROMPT_TEMPLATE.format(phrase=client_message)
    messages = [{"role": "user", "content": prompt}]

    text = tokenizer.apply_chat_template(
        messages,
        tokenize=False,
        add_generation_prompt=True,
    )
    inputs = tokenizer(text, return_tensors="pt").to(model.device)

    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=TEXT_EXTRACT_MAX_NEW_TOKENS,
            do_sample=False,
        )

    response = tokenizer.decode(
        outputs[0][inputs["input_ids"].shape[1]:],
        skip_special_tokens=True,
    ).strip()

    # Le modèle peut parfois entourer le JSON de texte ou de balises markdown
    # malgré la consigne -> on extrait la première accolade ouvrante/fermante.
    match = re.search(r"\{.*\}", response, re.DOTALL)
    if not match:
        raise ValueError(
            f"Extraction échouée : aucun JSON trouvé dans la réponse du modèle.\n"
            f"Réponse brute : {response!r}"
        )

    try:
        parsed = json.loads(match.group(0))
    except json.JSONDecodeError as e:
        raise ValueError(f"Extraction échouée : JSON invalide.\nRéponse brute : {response!r}") from e

    if "type_dommage" not in parsed or "zone" not in parsed:
        raise ValueError(f"Extraction échouée : clés manquantes dans le JSON.\nReçu : {parsed!r}")

    return {
        "type_dommage": str(parsed["type_dommage"]).strip(),
        "zone": str(parsed["zone"]).strip(),
        "raw_response": response,
    }


# ─── ÉTAPE 2 : MAPPING ZONE (FR) -> PARTS_LIST ──────────────────────────────

def _normalize_fr(text):
    """Minuscule + suppression des accents courants, pour un matching robuste."""
    text = text.lower().strip()
    replacements = {
        "é": "e", "è": "e", "ê": "e", "ë": "e",
        "à": "a", "â": "a",
        "î": "i", "ï": "i",
        "ô": "o",
        "û": "u", "ù": "u", "ü": "u",
        "ç": "c",
    }
    for src, dst in replacements.items():
        text = text.replace(src, dst)
    return text


def map_zone_to_part(zone_fr):
    """
    Mappe une zone en français libre vers une liste de pièces de PARTS_LIST.
    - Zone précise (ex: "aile avant gauche") -> liste d'une seule pièce.
    - Zone partiellement précise, un seul axe (ex: "à droite" seul) ->
      liste de plusieurs pièces (groupe cohérent avec l'axe indiqué).
    Retourne None si aucune correspondance trouvée (à traiter explicitement
    par l'appelant, pas de fallback silencieux -> vérification élargie à
    toute la voiture).
    """
    normalized = _normalize_fr(zone_fr)
    for key in _ZONE_KEYS_SORTED:
        if key in normalized:
            value = ZONE_FR_TO_PART[key]
            return list(value) if isinstance(value, list) else [value]
    return None


# ─── ÉTAPE 3 : FILTRAGE DES PHOTOS COUVRANT LA ZONE ─────────────────────────

def load_vehicle_results(json_path):
    """
    Recharge le JSON produit par le détecteur de pièces. Format attendu :
        [
          {"image_path": ..., "image_size": {...}, "detected_parts": {...}},
          ...
        ]
    Retourné tel quel (liste de dicts).
    """
    with open(json_path, "r", encoding="utf-8") as f:
        return json.load(f)


def filter_images_covering_part(vehicle_results: list, parts) -> list:
    """
    Retourne la liste des chemins d'images où AU MOINS UNE des pièces de
    `parts` apparaît dans detected_parts (count >= 1). `parts` accepte une
    liste (cas courant : précision partielle -> plusieurs pièces à couvrir
    en OR) ou une simple chaîne (compat rétro).
    """
    if isinstance(parts, str):
        parts = [parts]
    matching = []
    for entry in vehicle_results:
        detected_parts = entry.get("detected_parts", {})
        if any(detected_parts.get(part, 0) >= 1 for part in parts):
            matching.append(entry["image_path"])
    return matching


def get_image_entry(vehicle_results: list, image_path: str) -> dict:
    """Retrouve l'entrée complète (dict) correspondant à un image_path donné."""
    needle = Path(image_path).resolve()
    for entry in vehicle_results:
        if Path(entry["image_path"]).resolve() == needle:
            return entry
    # Fallback : comparaison directe de chaîne si la résolution de chemin échoue
    # (ex: chemins relatifs à une racine de données différente de cwd).
    for entry in vehicle_results:
        if entry["image_path"] == image_path:
            return entry
    return {}


# ─── FALLBACK VIDÉO : L'AVANT DU VÉHICULE EST TOUJOURS FILMÉ À L'ENTRÉE ────
# Les vidéos d'entrée cadrent systématiquement l'avant du véhicule. Si la
# zone signalée par le client concerne l'avant et qu'aucune photo ne
# confirme le dommage, on échantillonne quelques frames des vidéos
# disponibles et on les inspecte exactement comme des photos.

VIDEO_EXTENSIONS = {".mp4", ".mov", ".avi", ".mkv", ".webm"}
MAX_VIDEO_FRAMES_PER_VIDEO = 3


def extract_video_frames(videos_dir, max_frames_per_video=MAX_VIDEO_FRAMES_PER_VIDEO):
    """
    Échantillonne jusqu'à `max_frames_per_video` frames, répartis
    uniformément dans la durée, pour chaque vidéo de `videos_dir`, et les
    sauvegarde en JPEG dans un dossier "video_frames/" à côté de
    `videos_dir`. Ignore silencieusement les vidéos illisibles (fichier
    corrompu, codec absent) plutôt que de faire échouer tout le pipeline.
    """
    videos_dir = Path(videos_dir)
    if not videos_dir.exists():
        return []

    frames_dir = videos_dir.parent / "video_frames"
    frames_dir.mkdir(parents=True, exist_ok=True)

    frame_paths = []
    for video_path in sorted(videos_dir.iterdir()):
        if video_path.suffix.lower() not in VIDEO_EXTENSIONS:
            continue

        cap = cv2.VideoCapture(str(video_path))
        if not cap.isOpened():
            print(f"   ⚠ Vidéo illisible, ignorée : {video_path.name}")
            continue

        total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
        if total_frames <= 0:
            cap.release()
            continue

        n = min(max_frames_per_video, total_frames)
        indices = [round((i + 1) * total_frames / (n + 1)) for i in range(n)]

        for idx, frame_idx in enumerate(indices):
            cap.set(cv2.CAP_PROP_POS_FRAMES, min(frame_idx, total_frames - 1))
            ok, frame = cap.read()
            if not ok:
                continue
            out_path = frames_dir / f"{video_path.stem}_frame{idx}.jpg"
            cv2.imwrite(str(out_path), frame)
            frame_paths.append(str(out_path))

        cap.release()

    return frame_paths


# ─── ÉTAPE 4 : VÉRIFICATION VISUELLE DU DOMMAGE SUR LES PHOTOS FILTRÉES ─────

_DAMAGE_LINE_RE = re.compile(
    r"locate_box\s*:\s*(.+?)\s*[\r\n]+\s*damage_visible\s*:\s*(yes|no|unsure)\s*[\r\n]+\s*reason\s*:\s*(.+?)\s*[\r\n]+\s*damage_box\s*:\s*(.+)",
    re.IGNORECASE | re.DOTALL,
)

_BOX_RE = re.compile(r"([0-9]*\.?[0-9]+)\s+([0-9]*\.?[0-9]+)\s+([0-9]*\.?[0-9]+)\s+([0-9]*\.?[0-9]+)")


def _remap_box_crop_to_original(box_norm_crop, vehicle_bbox, crop_size, original_size, vlm_scale=1.0):
    """
    Remappe une bbox normalisée dans l'espace de l'image envoyée AU VLM
    """
    x1n, y1n, x2n, y2n = box_norm_crop
    crop_w, crop_h = crop_size

    # Coordonnées en pixels dans l'espace du crop YOLO (avant resize VLM) :
    # les fractions normalisées s'appliquent directement à crop_size.
    cx1 = x1n * crop_w
    cy1 = y1n * crop_h
    cx2 = x2n * crop_w
    cy2 = y2n * crop_h

    if vehicle_bbox is None:
        # Le "crop" était déjà l'image entière -> crop_size == original_size
        return [round(cx1), round(cy1), round(cx2), round(cy2)]

    vx1, vy1, _, _ = vehicle_bbox
    return [round(vx1 + cx1), round(vy1 + cy1), round(vx1 + cx2), round(vy1 + cy2)]


import io

def check_damage_on_image(image_path, type_dommage, zone_en):
    """
    Même interface qu'avant. YOLO crop conservé.
    Appel VLM remplacé par Gemini API.
    """
    client = get_gemini_client()

    cropped_img, vehicle_bbox = crop_image_to_vehicle(image_path)
    original_size = Image.open(image_path).size
    crop_size = cropped_img.size

    # Gemini accepte des résolutions élevées, on garde quand même un plafond
    # raisonnable pour limiter les coûts (tokens visuels facturés côté Google).
    vlm_input_img, vlm_scale = resize_for_vlm(cropped_img)
    if vlm_scale != 1.0:
        print(f"   📐 Resize avant Gemini : {cropped_img.size} -> "
              f"{vlm_input_img.size} (scale={vlm_scale:.3f})")

    # Conversion PIL -> bytes pour l'API Gemini
    buf = io.BytesIO()
    vlm_input_img.save(buf, format="JPEG", quality=90)
    image_bytes = buf.getvalue()

    prompt = DAMAGE_CHECK_PROMPT_TEMPLATE.format(
        type_dommage=type_dommage,
        zone_en=zone_en,
    )

    # Désactivation des filtres de sécurité sur les catégories non pertinentes
    # (Gemini peut bloquer des images de dommages auto si les seuils sont trop agressifs)
    safety_settings = [
        types.SafetySetting(
            category=types.HarmCategory.HARM_CATEGORY_DANGEROUS_CONTENT,
            threshold=types.HarmBlockThreshold.BLOCK_NONE,
        ),
        types.SafetySetting(
            category=types.HarmCategory.HARM_CATEGORY_HARASSMENT,
            threshold=types.HarmBlockThreshold.BLOCK_NONE,
        ),
    ]

    try:
        response = client.models.generate_content(
            model=GEMINI_MODEL_ID,
            contents=[
                types.Part.from_bytes(data=image_bytes, mime_type="image/jpeg"),
                prompt,
            ],
            config=types.GenerateContentConfig(
                temperature=0,
                max_output_tokens=4096,
                safety_settings=safety_settings,
                thinking_config=types.ThinkingConfig(thinking_level="medium"),
            ),
        )
        raw = response.text.strip()
    except Exception as e:
        print(f"   ❌ Erreur Gemini API : {e!r}")
        return {
            "image_path": image_path,
            "damage_visible": None,
            "reason": f"Gemini API error: {e!r}",
            "damage_box_norm": None,
            "vehicle_bbox": vehicle_bbox,
            "raw_response": "",
            "parse_error": True,
        }

    # --- Parsing identique à l'original ---
    match = _DAMAGE_LINE_RE.search(raw)
    if match is None:
        finish_reason = response.candidates[0].finish_reason if response.candidates else None
        print(f"   ⚠ parse_error, finish_reason={finish_reason}")

    if not match:
        return {
            "image_path": image_path,
            "damage_visible": None,
            "reason": None,
            "damage_box_norm": None,
            "vehicle_bbox": vehicle_bbox,
            "raw_response": raw,
            "parse_error": True,
        }

    locate_box_str, answer, reason, box_str = match.groups()
    answer_clean = answer.strip().lower()
    damage_visible = True if answer_clean == "yes" else (False if answer_clean == "no" else None)

    damage_box_original_px = None
    if damage_visible is True:
        box_match = _BOX_RE.search(box_str)
        if box_match:
            vals = [float(v) for v in box_match.groups()]

            # Filet de sécurité : si une valeur dépasse 1.0, c'est probablement
            # un pixel et non une fraction -> on la renormalise par la taille
            # de l'image envoyée au VLM (vlm_input_img), x par la largeur, y par
            # la hauteur.
            if any(v > 1.0 for v in vals):
                vw, vh = vlm_input_img.size
                x1, y1, x2, y2 = vals
                x1 = x1 / vw if x1 > 1.0 else x1
                x2 = x2 / vw if x2 > 1.0 else x2
                y1 = y1 / vh if y1 > 1.0 else y1
                y2 = y2 / vh if y2 > 1.0 else y2
                vals = [x1, y1, x2, y2]
                print(f"   ⚠ damage_box renormalisé (valeurs pixel détectées) -> {vals}")

            if all(0.0 <= v <= 1.0 for v in vals) and vals[0] < vals[2] and vals[1] < vals[3]:
                damage_box_original_px = _remap_box_crop_to_original(
                    box_norm_crop=vals,
                    vehicle_bbox=vehicle_bbox,
                    crop_size=crop_size,
                    original_size=original_size,
                    vlm_scale=vlm_scale,
                )
            else:
                print(f"   ⚠ damage_box toujours incohérent après renormalisation : {vals}")

    return {
        "image_path": image_path,
        "damage_visible": damage_visible,
        "reason": reason.strip(),
        "locate_box_raw": locate_box_str.strip(),
        "damage_box_original_px": damage_box_original_px,
        "vehicle_bbox": vehicle_bbox,
        "raw_response": raw,
        "parse_error": False,
    }

def annotate_damage_image(image_path, vehicle_bbox, part, type_dommage, reason,
                          damage_box_original_px, output_dir):
    """
    Annote l'IMAGE ORIGINALE.
    - Si le VLM a retourné une damage_box (déjà remappée en pixels dans
      l'espace de l'image originale) : rectangle rouge précis sur la zone
      endommagée.
    - Sinon fallback sur la bbox véhicule détectée par YOLO.
    Dans les deux cas on dessine aussi la bbox véhicule (YOLO) en bleu
    discret pour le contexte, si disponible.
    """
    img = Image.open(image_path).convert("RGB")
    img_w, img_h = img.size
    draw = ImageDraw.Draw(img)

    # ── Rectangle bleu discret : véhicule (contexte, issu de YOLO) ──────────
    if vehicle_bbox:
        vx1, vy1, vx2, vy2 = [round(v) for v in vehicle_bbox]
        draw.rectangle([vx1, vy1, vx2, vy2], outline=(30, 120, 220), width=2)

    # ── Rectangle rouge : zone du dommage ────────────────────────────────────
    if damage_box_original_px:
        x1, y1, x2, y2 = damage_box_original_px
        print(f"   bbox dommage (VLM, remappée) : [{x1}, {y1}, {x2}, {y2}]")
    elif vehicle_bbox:
        x1, y1, x2, y2 = [round(v) for v in vehicle_bbox]
        print(f"   bbox dommage : fallback bbox véhicule (YOLO)")
    else:
        print(f"   ⚠ Aucune bbox disponible (ni VLM ni YOLO) — rectangle d'annotation omis")
        x1, y1, x2, y2 = None, None, None, None

    if x1 is not None:
        draw.rectangle([x1, y1, x2, y2], outline=(220, 30, 30), width=4)

    # ── Labels ───────────────────────────────────────────────────────────────
    label       = f"⚠ {type_dommage} — {part}"
    reason_text = f"({reason})" if reason else ""

    try:
        font       = ImageFont.truetype("/usr/share/fonts/truetype/dejavu/DejaVuSans-Bold.ttf", 22)
        font_small = ImageFont.truetype("/usr/share/fonts/truetype/dejavu/DejaVuSans.ttf", 17)
    except IOError:
        font = font_small = ImageFont.load_default()

    pad = 6

    if x1 is not None:
        # 1) Mesurer les tailles de texte AVANT de positionner quoi que ce soit
        label_bbox  = draw.textbbox((0, 0), label, font=font)
        label_w     = label_bbox[2] - label_bbox[0]
        label_h     = label_bbox[3] - label_bbox[1]

        reason_bbox = draw.textbbox((0, 0), reason_text, font=font_small) if reason_text else (0, 0, 0, 0)
        reason_w    = reason_bbox[2] - reason_bbox[0]
        reason_h    = (reason_bbox[3] - reason_bbox[1]) if reason_text else 0

        block_w = max(label_w, reason_w) + 2 * pad
        block_h = label_h + (reason_h + pad if reason_text else 0) + 4 * pad

        # 2) Centrer horizontalement sur la boîte de dommage, puis clamp
        box_cx  = (x1 + x2) / 2
        text_x  = box_cx - block_w / 2
        text_x  = max(pad, min(text_x, img_w - block_w - pad))

        # 3) Placer au-dessus si la place le permet, sinon en dessous
        if y1 - block_h - pad >= 0:
            text_y = y1 - block_h - pad
        elif y2 + block_h + pad <= img_h:
            text_y = y2 + pad
        else:
            text_y = pad  # dernier recours : coin haut de l'image

        # 4) Dessiner le fond + texte du label principal
        lb = draw.textbbox((text_x, text_y), label, font=font)
        draw.rectangle([lb[0]-pad, lb[1]-pad, lb[2]+pad, lb[3]+pad], fill=(220, 30, 30))
        draw.text((text_x, text_y), label, fill="white", font=font)

        if reason_text:
            ry = lb[3] + pad + 2
            rb = draw.textbbox((text_x, ry), reason_text, font=font_small)
            draw.rectangle([rb[0]-pad, rb[1]-pad, rb[2]+pad, rb[3]+pad], fill=(60, 60, 60))
            draw.text((text_x, ry), reason_text, fill="white", font=font_small)

    # ── Sauvegarde ───────────────────────────────────────────────────────────
    out_dir = Path(output_dir)
    out_dir.mkdir(parents=True, exist_ok=True)
    stem     = Path(image_path).stem
    out_path = out_dir / f"{stem}_damage_annotated.jpg"
    img.save(out_path, quality=92)
    print(f"   🖼 Image annotée sauvegardée -> {out_path}")
    return str(out_path)


# ─── PIPELINE COMPLET ────────────────────────────────────────────────────────

# Zone non spécifiée par le client (ou non reconnue par ZONE_FR_TO_PART) :
# on sécurise le retraitement automatique en élargissant la recherche du
# dommage à TOUTES les photos d'entrée disponibles, plutôt que d'abandonner
# la vérification (mapped_part reste None -> traduit par l'appelant en
# "Non Spécifié" côté AppSheet, colonne "Localisation Carrosserie").
UNSPECIFIED_ZONE_VLM_LABEL = "vehicle body (exact area not specified by the customer)"
UNSPECIFIED_ZONE_DISPLAY = "zone non spécifiée"


def process_claim(client_message, vehicle_results_json, videos_dir=None):
    """
    Pipeline complet : phrase client -> extraction -> mapping -> filtrage ->
    vérification visuelle (YOLO crop + resize + VLM) -> verdict global.

    Trois niveaux de précision pour la zone extraite (cf. retraitement mail) :
      1. Précise (ex: "aile avant gauche")       -> une seule pièce.
      2. Partielle, un seul axe (ex: "à droite")  -> un GROUPE de pièces
         cohérent avec l'axe indiqué (cf. ZONE_FR_TO_PART).
      3. Non reconnue / non spécifiée             -> la vérification n'est PAS
         abandonnée : elle est élargie à TOUTES les photos d'entrée
         disponibles (mapped_part=None).

    `videos_dir` (optionnel) : si la zone concerne l'AVANT du véhicule et
    qu'aucun dommage n'est confirmé sur les photos filtrées, les vidéos de
    ce dossier sont automatiquement échantillonnées (extract_video_frames)
    et inspectées en complément avant de conclure — les vidéos d'entrée
    cadrent toujours l'avant du véhicule.
    """
    print(f"\n📝 Message client : {client_message!r}")

    extraction = extract_damage_report(client_message)
    print(f"   Extrait : type_dommage={extraction['type_dommage']!r}, "
          f"zone={extraction['zone']!r}")

    parts = map_zone_to_part(extraction["zone"])
    vehicle_results = load_vehicle_results(vehicle_results_json)
    zone_concerns_front = "avant" in _normalize_fr(extraction["zone"])

    if parts is not None:
        print(f"   Mappé vers la/les pièce(s) : {parts!r}")
        candidate_images = filter_images_covering_part(vehicle_results, parts)
        zone_for_annotation = "/".join(parts)
    else:
        print(f"   ⚠ Zone {extraction['zone']!r} non reconnue/non spécifiée -> "
              f"vérification élargie à toutes les photos d'entrée disponibles.")
        candidate_images = [entry["image_path"] for entry in vehicle_results]
        zone_for_annotation = UNSPECIFIED_ZONE_DISPLAY

    def _zone_for_image(image_path):
        """Zone (anglais) à transmettre au VLM pour CETTE photo précise :
        restreinte aux pièces du groupe réellement visibles sur cette photo
        (plus précis pour l'étape LOCATE du prompt qu'un groupe entier)."""
        if parts is None:
            return UNSPECIFIED_ZONE_VLM_LABEL
        entry = get_image_entry(vehicle_results, image_path)
        detected_here = entry.get("detected_parts", {})
        matched = [p for p in parts if detected_here.get(p, 0) >= 1]
        return " or ".join(matched or parts)

    # On n'abandonne la vérification (NO_PHOTO_AVAILABLE) que si aucune
    # photo ne couvre la zone ET qu'un fallback vidéo n'est pas possible.
    if not candidate_images and not (zone_concerns_front and videos_dir):
        result = {
            "client_message": client_message,
            "extraction": extraction,
            "mapped_part": parts,
            "status": "NO_PHOTO_AVAILABLE",
            "message": (
                f"Aucune photo d'entrée ne couvre la/les pièce(s) '{parts}'. "
                f"Vérification à l'œil nu nécessaire, aucune photo disponible."
                if parts is not None else
                "Aucune photo d'entrée disponible pour vérifier la réclamation "
                "(zone non spécifiée)."
            ),
        }
        print(f"   ⚠ {result['message']}")
        return result

    print(f"   {len(candidate_images)} photo(s) à vérifier : {candidate_images}"
          if candidate_images else
          "   Aucune photo ne couvre la zone -> vérification vidéo uniquement.")

    checks = []
    for image_path in candidate_images:
        zone_for_this_image = _zone_for_image(image_path)
        print(f"   🔍 Vérification sur {image_path}… (zone={zone_for_this_image})")
        check = check_damage_on_image(image_path, extraction["type_dommage"], zone_for_this_image)
        checks.append(check)
        print(f"      -> damage_visible={check['damage_visible']} "
              f"({check['reason'] or 'parse error'})")

    parse_errors = [c for c in checks if c.get("parse_error")]
    if parse_errors:
        for c in parse_errors:
            print(f"--- RAW for {c['image_path']} ---\n{c['raw_response']}\n---")

    # Agrégation : dès qu'une photo dit "oui" -> OUI global (règle validée).
    positive_matches = [c for c in checks if c["damage_visible"] is True]
    used_video_fallback = False

    if not positive_matches and zone_concerns_front and videos_dir:
        video_frames = extract_video_frames(videos_dir)
        if video_frames:
            used_video_fallback = True
            print(f"   🎥 Dommage non trouvé sur photo, zone concernant l'avant -> "
                  f"inspection de {len(video_frames)} frame(s) vidéo en complément.")
            for frame_path in video_frames:
                check = check_damage_on_image(frame_path, extraction["type_dommage"], "front-bumper")
                check["from_video"] = True
                checks.append(check)
                candidate_images.append(frame_path)
                print(f"      -> (vidéo) damage_visible={check['damage_visible']} "
                      f"({check['reason'] or 'parse error'})")
            positive_matches = [c for c in checks if c["damage_visible"] is True]

    if positive_matches:
        status = "DAMAGE_ALREADY_PRESENT"
        verdict = "OUI"
        evidence_images = [c["image_path"] for c in positive_matches]

        # ── Annotation des images positives ──
        annotated_images = []
        for c in positive_matches:
            ann_path = annotate_damage_image(
                image_path=c["image_path"],
                vehicle_bbox=c.get("vehicle_bbox"),
                part=zone_for_annotation,
                type_dommage=extraction["type_dommage"],
                reason=c.get("reason"),
                damage_box_original_px=c.get("damage_box_original_px"),
                output_dir=Path(vehicle_results_json).parent / "annotated",
            )
            annotated_images.append(ann_path)

        message = (
            f"Dommage déjà présent à l'entrée. Identifié sur : "
            f"{', '.join(Path(p).name for p in evidence_images)}"
            + (" (dont vidéo(s) d'entrée)" if any(c.get("from_video") for c in positive_matches) else "")
        )
    else:
        annotated_images = []
        status = "DAMAGE_NOT_FOUND"
        verdict = "NON"
        evidence_images = candidate_images  # à vérifier à l'œil nu
        message = (
            f"Dommage non identifié sur les photos d'entrée disponibles"
            f"{' ni sur les vidéos' if used_video_fallback else ''}. "
            f"Photos à vérifier à l'œil nu "
            f"({'zone couverte' if parts is not None else 'zone non spécifiée, toutes les photos disponibles vérifiées'}) : "
            f"{', '.join(Path(p).name for p in evidence_images)}"
        )

    print(f"\n   ➡ Verdict : {verdict} — {message}")

    return {
        "client_message": client_message,
        "extraction": extraction,
        "mapped_part": parts,
        "candidate_images": candidate_images,
        "checks": checks,
        "status": status,
        "verdict": verdict,
        "evidence_images": evidence_images,
        "annotated_images": annotated_images,
        "message": message,
    }


# ─── MULTI-DÉGÂTS : DÉCOUPAGE PUIS TRAITEMENT UN PAR UN ────────────────────

SPLIT_DAMAGES_PROMPT_TEMPLATE = """Tu es un assistant qui découpe une réclamation client en dommages distincts.

Réclamation : "{claim_message}"

Si cette réclamation décrit PLUSIEURS dommages distincts (zones et/ou types de dommage différents), renvoie une liste avec UNE phrase atomique par dommage, en français, reprenant fidèlement le type de dommage et la zone concernée pour chacun.
Si elle ne décrit qu'UN SEUL dommage, renvoie une liste contenant cette unique phrase (inchangée).

Réponds STRICTEMENT en JSON, sans aucun texte avant ou après, au format :
{{"damages": ["phrase 1", "phrase 2", ...]}}"""


def split_claim_into_damages(client_message: str) -> list:
    """
    Découpe une réclamation en une liste de phrases atomiques, une par
    dommage distinct, via Gemini. Ne lève jamais d'exception : en cas
    d'échec (API indisponible, JSON invalide, liste vide), retombe sur
    [client_message] pour ne jamais perdre la réclamation d'origine.
    """
    client = get_gemini_client()
    prompt = SPLIT_DAMAGES_PROMPT_TEMPLATE.format(claim_message=client_message)
    try:
        response = client.models.generate_content(
            model=GEMINI_MODEL_ID,
            contents=prompt,
            config=types.GenerateContentConfig(
                response_mime_type="application/json",
                temperature=0.0,
            ),
        )
        data = json.loads(response.text.strip())
        damages = [str(d).strip() for d in data.get("damages", []) if str(d).strip()]
        if damages:
            return damages
    except Exception as e:
        print(f"   ⚠ Découpage multi-dommages échoué ({e!r}) -> traité comme un seul dommage.")
    return [client_message]


def _dedup_preserve_order(seq):
    seen = set()
    out = []
    for x in seq:
        if x not in seen:
            seen.add(x)
            out.append(x)
    return out


def process_multi_claim(client_message, vehicle_results_json, videos_dir=None):
    """
    Découpe la réclamation en dommages distincts (split_claim_into_damages)
    puis traite CHACUN, un après l'autre, avec process_claim() — et agrège
    le tout en un résultat unique de même forme que process_claim() (mêmes
    clés, + "damages" avec le détail par dommage), pour rester compatible
    avec les consommateurs existants d'un résultat process_claim() :
    une seule ligne Reclamations par réclamation côté AppSheet/Sheet.

    Règles d'agrégation :
      - verdict global "OUI" dès qu'AU MOINS UN dommage est confirmé déjà
        présent à l'entrée (réclamation rejetée) ; "NON" sinon.
      - mapped_part global = None si AU MOINS UN dommage n'a pas pu être
        localisé précisément (préserve le comportement des appelants qui
        testent `mapped_part is None` pour élargir aux vidéos, etc.).
    """
    damages = split_claim_into_damages(client_message)
    print(f"\n📋 {len(damages)} dommage(s) distinct(s) détecté(s) dans la réclamation.")

    results = []
    for i, damage_message in enumerate(damages, start=1):
        print(f"\n── Dommage {i}/{len(damages)} ──")
        results.append(process_claim(damage_message, vehicle_results_json, videos_dir=videos_dir))

    verdicts = [r.get("verdict") for r in results]
    verdict = "OUI" if "OUI" in verdicts else "NON"

    mapped_parts_list = [r.get("mapped_part") for r in results]
    mapped_part = None if any(mp is None for mp in mapped_parts_list) else mapped_parts_list

    candidate_images = _dedup_preserve_order(sum((r.get("candidate_images", []) for r in results), []))
    annotated_images = _dedup_preserve_order(sum((r.get("annotated_images", []) for r in results), []))
    evidence_images = _dedup_preserve_order(sum((r.get("evidence_images", []) for r in results), []))

    message = "\n".join(
        f"[Dommage {i}/{len(results)} — {r['extraction']['zone']}] {r['message']}"
        for i, r in enumerate(results, start=1)
    )

    status = "DAMAGE_ALREADY_PRESENT" if verdict == "OUI" else (
        results[0]["status"] if len(results) == 1 else "DAMAGE_NOT_FOUND"
    )

    return {
        "client_message": client_message,
        "damages": results,
        "mapped_part": mapped_part,
        "candidate_images": candidate_images,
        "status": status,
        "verdict": verdict,
        "evidence_images": evidence_images,
        "annotated_images": annotated_images,
        "message": message,
    }


def save_claim_result(result, vehicle_id, output_dir):
    out_dir = Path(output_dir)
    out_dir.mkdir(parents=True, exist_ok=True)

    timestamp = datetime.now(timezone.utc).strftime("%Y%m%dT%H%M%SZ")
    out_path = out_dir / f"{vehicle_id}_claim_{timestamp}.json"

    with open(out_path, "w", encoding="utf-8") as f:
        json.dump(result, f, indent=2, ensure_ascii=False)

    print(f"\n💾 Résultat de la réclamation sauvegardé -> {out_path}")
    return out_path


# ─── RÔLE DES MÉDIAS (table AppSheet "Medias Cameras", colonne "Role Media") ──
# Valeurs possibles de l'enum "Role Media" :
#   - "Dommages"         : le dommage réclamé est confirmé visible sur ce média.
#   - "Parties Visibles" : ce média montre la pièce réclamée, mais sans dommage
#                          confirmé dessus (utile pour visualiser l'état du
#                          véhicule à l'entrée).
#   - "Non Utile"          : ce média ne montre pas la pièce réclamée.
ROLE_DOMMAGES = "Dommages"
ROLE_PARTIES_VISIBLES = "Parties Visibles"
ROLE_NON_UTILE = "Non Utile"


def build_media_role_resolver(claim_result: dict):
    """
    À partir du résultat de process_claim()/process_multi_claim(), construit
    une fonction `resolver(file_id, is_image) -> role` qui donne le rôle
    ("Dommages" / "Parties Visibles" / "Non Utile") d'un média d'entrée à
    partir de son ID Drive (utilisé comme nom de fichier local par
    drive_enrichment.py / drive_lookup.py, ex: "abcd1234.png") et de son
    type (photo ou vidéo).

    Règles :
      - Photo : "Dommages" si un dommage y a été confirmé (damage_visible=True
        sur au moins un "check" qui ne vient pas d'une frame vidéo) ; sinon
        "Parties Visibles" si elle couvre la pièce réclamée (présente dans
        candidate_images d'au moins un dommage) ; sinon "Non Utile" (ne montre
        pas la pièce réclamée par la réclamation).
      - Vidéo : suit la même logique que leur upload dans Preuves / Parties
        Visibles (finalize_claim.executer_bilan_final /
        report_builder.construire_bilan_final) : "Dommages" si le verdict
        global est OUI, "Parties Visibles" si la zone n'a pas pu être
        précisée (mapped_part=None -> toutes les vidéos sont ajoutées pour
        vérification à l'oeil nu), "Non Utile" sinon.
    """
    sous_resultats = claim_result.get("damages") or [claim_result]

    photos_avec_dommage = set()
    photos_visibles = set()
    for r in sous_resultats:
        for check in r.get("checks", []):
            if check.get("from_video"):
                continue
            file_id = Path(check["image_path"]).stem
            photos_visibles.add(file_id)
            if check.get("damage_visible") is True:
                photos_avec_dommage.add(file_id)
        for chemin_image in r.get("candidate_images", []):
            photos_visibles.add(Path(chemin_image).stem)

    if claim_result.get("verdict") == "OUI":
        role_video = ROLE_DOMMAGES
    elif claim_result.get("mapped_part") is None:
        role_video = ROLE_PARTIES_VISIBLES
    else:
        role_video = ROLE_NON_UTILE

    def resolver(file_id: str, is_image: bool) -> str:
        if not is_image:
            return role_video
        if file_id in photos_avec_dommage:
            return ROLE_DOMMAGES
        if file_id in photos_visibles:
            return ROLE_PARTIES_VISIBLES
        return ROLE_NON_UTILE

    return resolver


# ─── TRAITEMENT EN LOT, MODÈLES CHARGÉS UNE SEULE FOIS ──────────

def process_claims_batch(claims, output_dir):
    """
    Traite plusieurs réclamations à la suite DANS LE MÊME PROCESS PYTHON.
    """
    results = []
    for vehicle_id, client_message, vehicle_results_json in claims:
        result = process_multi_claim(client_message, vehicle_results_json)
        save_claim_result(result, vehicle_id, output_dir)
        results.append(result)
    return results


if __name__ == "__main__":
    vehicle_id = "vehicule_demo_001"
    out_path = "Strat2/output/Model_Strat2"
    vehicle_json_path = "Strat2/output/Model_Strat2/vehicle_parts_detection.json"

    client_message = "Le client rapporte des éraflures sur son pare-choc arrière"

    result = process_claim(client_message, vehicle_json_path)
    save_claim_result(result, vehicle_id, out_path)