# learning_hub/schemas.py
from pydantic import BaseModel, Field
from typing import List, Dict, Any, Optional
from datetime import datetime
import uuid

# ---------------------------------------------------------------------------
# 1. مخطط "دلتا" (Delta) - (من النقطة 3 في خطتك)
#    هذه هي "القاعدة" أو "الخبرة" التي يتم تخزينها في الذاكرة.
# ---------------------------------------------------------------------------
class Delta(BaseModel):
    id: str = Field(default_factory=lambda: f"delta_{uuid.uuid4().hex[:10]}")
    text: str = Field(..., description="القاعدة المقترحة نصياً (e.g., When RSI<25...)")
    domain: str = Field(..., description="المجال (e.g., 'strategy', 'pattern', 'indicator', 'monte_carlo')")
    priority: str = Field(default="medium", description="الأولوية (high, medium, low)")
    score: float = Field(default=0.5, description="النتيجة الإجمالية للدلتا (للاسترجاع)")
    evidence_refs: List[str] = Field(default=[], description="المعرفات المرجعية (e.g., trace_id, trade_id)")
    created_by: str = Field(default="reflector_v1", description="المكون الذي أنشأ هذه الدلتا")
    created_at: str = Field(default_factory=lambda: datetime.now().isoformat())
    approved: bool = Field(default=False, description="هل تمت الموافقة عليها (تلقائياً أو يدوياً)")
    usage_count: int = Field(default=0)
    last_used: Optional[str] = None
    
    # حقول إضافية لتسهيل الاسترجاع
    trade_strategy: Optional[str] = None # استراتيجية الدخول
    exit_profile: Optional[str] = None # ملف الخروج

# ---------------------------------------------------------------------------
# 2. مخطط "مخرجات المنعكس" (ReflectorOutput) - (من النقطة 3 في خطتك)
#    هذا هو الـ JSON الذي نتوقع أن يعود به النموذج الضخم (LLM) بعد تحليل التجربة.
# ---------------------------------------------------------------------------
class ReflectorOutput(BaseModel):
    success: bool = Field(..., description="هل كانت النتيجة الفعلية (Outcome) ناجحة؟")
    score: float = Field(..., description="تقييم التجربة (0.0 إلى 1.0)")
    error_mode: str = Field(..., description="وصف لنمط الخطأ (e.g., 'ignored_volatility', 'premature_exit')")
    suggested_rule: str = Field(..., description="القاعدة المقترحة (الدلتا) بحد أقصى 25 كلمة.")
    confidence: float = Field(..., description="ثقة النموذج في هذه القاعدة المقترحة (0.0 إلى 1.0)")

# ---------------------------------------------------------------------------
# 3. مخطط "سجل التتبع" (TraceLog) - (مطلوب لتغذية المنعكس)
#    هذا هو السجل الكامل للتجربة (الصفقة) الذي سيتم إرساله إلى المنعكس (Reflector).
# ---------------------------------------------------------------------------
class TraceLog(BaseModel):
    trace_id: str = Field(default_factory=lambda: f"trace_{uuid.uuid4().hex[:10]}")
    timestamp: str = Field(default_factory=lambda: datetime.now().isoformat())
    
    # 1. بيانات القرار الأصلي (ماذا قررنا؟)
    decision_context: Dict[str, Any] = Field(..., description="بيانات القرار الأصلية من الصفقة (decision_data)")
    
    # 2. بيانات البيئة وقت القرار (ما هي الظروف؟)
    #    (سنحتاج لتخزين هذا في كائن الصفقة عند إنشائها)
    market_context_at_decision: Dict[str, Any] = Field(default={}, description="سياق السوق عند فتح الصفقة")
    indicators_at_decision: Dict[str, Any] = Field(default={}, description="المؤشرات عند فتح الصفقة")
    
    # 3. النتيجة الفعلية (ماذا حدث؟)
    closed_trade_object: Dict[str, Any] = Field(..., description="كائن الصفقة المغلقة بالكامل")
    actual_outcome_reason: str = Field(..., description="سبب الإغلاق (e.g., 'Hard Stop Loss hit', 'Tactical Monitor')")

print("✅ Learning Hub Module: Schemas loaded (Delta, ReflectorOutput, TraceLog)")