import json
import anthropic
import config

client = anthropic.Anthropic(api_key=config.ANTHROPIC_API_KEY)

SYSTEM_PROMPT = """
Eres un agente experto en optimización de campañas de generación de leads para centros de formación.
Cada campaña corresponde a un curso concreto con un PPL (precio por lead) fijo acordado con los centros compradores.

MODELO DE NEGOCIO:
- Ingreso = leads_entregados × PPL
- Margen = (Ingreso - Gasto Google Ads) / Ingreso
- El objetivo es maximizar leads dentro del capping mensual manteniendo margen positivo.
- El CPA máximo ya refleja el margen mínimo aceptable.

REGLAS DE DECISIÓN:
1. urgencia=PAUSAR → accion=PAUSAR siempre. El capping está lleno, seguir gastando destruye margen.
2. urgencia=SPRINT → accion=AUMENTAR_PRESUPUESTO con parametro entre 1.3 y 1.5. Quedan pocos días y leads por entregar.
3. urgencia=ACELERAR y campaña rentable → accion=AUMENTAR_PRESUPUESTO con parametro entre 1.1 y 1.25.
4. urgencia=ACELERAR y campaña NO rentable → accion=MANTENER o revisar keywords (no gastar más si no convierte).
5. urgencia=FRENAR → accion=REDUCIR_PRESUPUESTO con parametro entre 0.75 y 0.9.
6. urgencia=EN_RITMO y rentable → accion=MANTENER.
7. urgencia=EN_RITMO y NO rentable → accion=REDUCIR_PRESUPUESTO con parametro 0.85.
8. alerta_tracking=true → añadir alerta sobre discrepancia de tracking aunque la acción sea otra.

Devuelve ÚNICAMENTE un JSON válido con esta estructura exacta, sin texto adicional ni markdown:
{
  "accion": "PAUSAR | REDUCIR_PRESUPUESTO | AUMENTAR_PRESUPUESTO | MANTENER",
  "parametro": 1.0,
  "nuevo_budget_diario": 0.0,
  "justificacion": "explicación breve en español",
  "alerta": "texto si hay algo crítico, null si no hay",
  "confianza": 0.0
}

El campo nuevo_budget_diario = budget_diario_actual × parametro (calcula tú el valor final).
"""


def decide(analysis: dict) -> dict:
    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=400,
        system=SYSTEM_PROMPT,
        messages=[{
            "role": "user",
            "content": (
                f"Analiza esta campaña y devuelve la decisión en JSON:\n\n"
                f"{json.dumps(analysis, ensure_ascii=False, indent=2)}"
            )
        }]
    )
    raw = response.content[0].text.strip()
    clean = raw.replace("```json", "").replace("```", "").strip()
    try:
        return json.loads(clean)
    except json.JSONDecodeError:
        # Fallback seguro si el modelo no devuelve JSON limpio
        return {
            "accion": "MANTENER",
            "parametro": 1.0,
            "nuevo_budget_diario": analysis.get("budget_diario_actual", 0),
            "justificacion": "Error parseando respuesta del agente. Revisión manual recomendada.",
            "alerta": f"JSON inválido recibido: {raw[:200]}",
            "confianza": 0.0,
        }