"""표절 페어 학습/평가 데이터 생성 스크립트.

레퍼런스 코퍼스의 각 원본을 5가지 변형으로 자동 생성:
  1. paraphrase  - 어휘만 바꾼 패러프레이즈 (표면적 표절)
  2. character_swap - 인물 이름만 치환 (인물 차용)
  3. plot_only   - 인물/배경 다른 작품 스타일, 플롯만 동일 (플롯 차용)
  4. summary     - 요약/축약 (요약형 표절)
  5. legitimate  - 동일 주제/장르의 다른 이야기 (정상, 비표절 음성 샘플)

출력: data/training/pairs.jsonl
  {"pair_id": "...", "source_doc": "ref-0001", "transformation": "paraphrase",
   "is_plagiarism": true, "original_excerpt": "...", "derived_text": "..."}

자체 평가 데이터셋(계획서 성능지표 #4) 용도. 운영 모델 학습 시
이 데이터와 컴북스 보유 30,000 건 원천 자료를 결합하여 정밀도 95% 달성.

사용:
  export OPENAI_API_KEY=sk-...
  python scripts/generate_plagiarism_pairs.py --pairs-per-doc 3 --out data/training/pairs.jsonl
"""

from __future__ import annotations

import argparse
import json
import logging
import os
import sys
import uuid
from dataclasses import dataclass
from pathlib import Path

logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s: %(message)s")
logger = logging.getLogger("gen-pairs")

# 프로젝트 루트에서 실행되도록 path 설정
ROOT = Path(__file__).resolve().parent.parent
sys.path.insert(0, str(ROOT))

from app.engine.corpus import ReferenceDoc, load_corpus  # noqa: E402


TRANSFORMATIONS = {
    "paraphrase": {
        "is_plagiarism": True,
        "instruction": (
            "원문의 의미와 사건 전개를 유지하면서, 모든 문장을 다른 표현으로 다시 써라. "
            "어휘를 60% 이상 교체하고, 문장 구조를 바꾸어 패러프레이즈를 생성하라. "
            "원문의 인물 이름과 핵심 모티프는 유지하라."
        ),
    },
    "character_swap": {
        "is_plagiarism": True,
        "instruction": (
            "원문의 모든 등장인물 고유명사를 다른 이름으로 치환하라. "
            "스토리, 사건, 배경은 그대로 유지하라. 인물 성격 묘사는 동일하게 둔다."
        ),
    },
    "plot_only": {
        "is_plagiarism": True,
        "instruction": (
            "원문의 플롯 구조와 사건 순서는 동일하게 유지하되, "
            "인물 이름·시대 배경·지명·소재를 완전히 다른 세계관으로 바꿔 다시 써라."
        ),
    },
    "summary": {
        "is_plagiarism": True,
        "instruction": (
            "원문을 1/3 분량으로 요약하라. 핵심 사건과 인물 이름은 유지하되, "
            "문장 표현은 새로 작성하라."
        ),
    },
    "legitimate": {
        "is_plagiarism": False,
        "instruction": (
            "원문과 동일한 장르·주제(모티프)이지만, "
            "완전히 다른 인물·배경·플롯의 새로운 짧은 이야기를 창작하라. "
            "원문의 인물 이름이나 사건은 절대 사용하지 마라."
        ),
    },
}


@dataclass
class Pair:
    pair_id: str
    source_doc: str
    source_title: str
    transformation: str
    is_plagiarism: bool
    original_excerpt: str
    derived_text: str


def _generate_one(client, model: str, doc: ReferenceDoc, transformation: str) -> Pair | None:
    cfg = TRANSFORMATIONS[transformation]
    prompt = (
        f"[작업 지시]\n{cfg['instruction']}\n\n"
        f"[원문]\n{doc.text}\n\n"
        f"[출력 형식]\n결과 텍스트만 출력. 추가 설명 금지."
    )
    try:
        resp = client.chat.completions.create(
            model=model,
            temperature=0.7,
            messages=[
                {"role": "system", "content": "You are a Korean creative writer producing controlled text variations."},
                {"role": "user", "content": prompt},
            ],
        )
        derived = (resp.choices[0].message.content or "").strip()
        if not derived:
            return None
        return Pair(
            pair_id=str(uuid.uuid4()),
            source_doc=doc.doc_id,
            source_title=doc.title,
            transformation=transformation,
            is_plagiarism=cfg["is_plagiarism"],
            original_excerpt=doc.text,
            derived_text=derived,
        )
    except Exception as exc:
        logger.warning("Generation failed for %s/%s: %s", doc.doc_id, transformation, exc)
        return None


def main() -> int:
    parser = argparse.ArgumentParser()
    parser.add_argument("--corpus-dir", default=str(ROOT / "data/reference"))
    parser.add_argument("--out", default=str(ROOT / "data/training/pairs.jsonl"))
    parser.add_argument("--model", default=os.environ.get("OPENAI_PAIR_MODEL", "gpt-4o-mini"))
    parser.add_argument("--pairs-per-doc", type=int, default=1,
                        help="문서당 각 변형 유형 몇 번 생성할지 (총=유형5 × pairs-per-doc)")
    parser.add_argument("--limit-docs", type=int, default=0,
                        help="처음 N개 문서만 처리 (0 = 전체)")
    parser.add_argument("--transformations", nargs="+", default=list(TRANSFORMATIONS.keys()),
                        choices=list(TRANSFORMATIONS.keys()))
    args = parser.parse_args()

    api_key = os.environ.get("OPENAI_API_KEY", "").strip()
    if not api_key:
        logger.error("OPENAI_API_KEY 환경변수가 필요합니다.")
        return 1

    try:
        from openai import OpenAI
    except ImportError:
        logger.error("openai 패키지가 필요합니다. pip install openai")
        return 1

    client = OpenAI(api_key=api_key)

    docs = load_corpus(Path(args.corpus_dir).resolve())
    if not docs:
        logger.error("코퍼스가 비어있음: %s", args.corpus_dir)
        return 1
    if args.limit_docs > 0:
        docs = docs[: args.limit_docs]

    out_path = Path(args.out)
    out_path.parent.mkdir(parents=True, exist_ok=True)

    total = 0
    plagiarism = 0
    with out_path.open("w", encoding="utf-8") as f:
        for doc in docs:
            for transformation in args.transformations:
                for _ in range(args.pairs_per_doc):
                    pair = _generate_one(client, args.model, doc, transformation)
                    if pair is None:
                        continue
                    f.write(json.dumps(pair.__dict__, ensure_ascii=False) + "\n")
                    total += 1
                    if pair.is_plagiarism:
                        plagiarism += 1
                    logger.info(
                        "[%d] %s / %s (plagiarism=%s, %d chars)",
                        total, doc.doc_id, transformation, pair.is_plagiarism, len(pair.derived_text),
                    )

    logger.info("=" * 60)
    logger.info("DONE: %d pairs (plagiarism=%d, legitimate=%d)", total, plagiarism, total - plagiarism)
    logger.info("Output: %s", out_path)
    return 0


if __name__ == "__main__":
    raise SystemExit(main())