//! Telemetria completa (pedido do usuário: "realize todo tipo de telemetria
//! inclusive para a detecção de aprendizado do modelo e dos ajustes
//! automatizados de todos hiper parâmetros e demais necessários para ajustes
//! e correções e detecção de erros").
//!
//! Hub em Rust com: buffer por passo; exportação JSONL; detecção de
//! aprendizado (escore composto); eventos de ajuste automático (auditáveis);
//! eventos de erro com classificação de causa comum (diagnostico.rs);
//! séries expostas ao Python como arrays numpy.

use serde::Serialize;
use std::collections::BTreeMap;
use std::io::Write;

#[derive(Debug, Clone, Serialize)]
pub struct EventoAjuste {
    pub passo: usize,
    pub parametro: String,
    pub de: f64,
    pub para: f64,
    pub motivo: String,
}

#[derive(Debug, Clone, Serialize)]
pub struct EventoErro {
    pub passo: usize,
    pub modulo: String,
    pub mensagem: String,
    pub causa_provavel: String,
    pub correcao_sugerida: String,
}

#[derive(Default)]
pub struct TelemetryHub {
    /// séries nomeadas por passo
    pub series: BTreeMap<String, Vec<(usize, f64)>>,
    pub eventos_ajuste: Vec<EventoAjuste>,
    pub eventos_erro: Vec<EventoErro>,
    pub caminho_jsonl: Option<String>,
    pub passo_corrente: usize,
}

impl TelemetryHub {
    pub fn novo(caminho_jsonl: Option<String>) -> Self {
        if let Some(p) = &caminho_jsonl {
            if let Some(dir) = std::path::Path::new(p).parent() {
                let _ = std::fs::create_dir_all(dir);
            }
            // truncates no início da corrida
            let _ = std::fs::File::create(p);
        }
        TelemetryHub { caminho_jsonl, ..Default::default() }
    }

    pub fn registrar(&mut self, nome: &str, valor: f64) {
        self.series.entry(nome.to_string()).or_default().push((self.passo_corrente, valor));
    }

    pub fn registrar_multi(&mut self, pares: &[(&str, f64)]) {
        for (n, v) in pares {
            self.registrar(n, *v);
        }
    }

    pub fn ajuste(&mut self, parametro: &str, de: f64, para: f64, motivo: &str) {
        let ev = EventoAjuste {
            passo: self.passo_corrente,
            parametro: parametro.to_string(),
            de,
            para,
            motivo: motivo.to_string(),
        };
        log::info!("ajuste: {} {:.4e}→{:.4e} ({})", parametro, de, para, motivo);
        self.append_jsonl("ajuste", &ev);
        self.eventos_ajuste.push(ev);
    }

    pub fn erro(&mut self, modulo: &str, mensagem: &str) {
        let causas = crate::diagnostico::classificar_erro(mensagem);
        let (causa, correcao, _) = causas
            .first()
            .copied()
            .unwrap_or((
                "não classificado",
                "inspecionar mensagem completa; se recente à refatoração, suspeitar primeiro de digitação/renomeação",
                "fallback",
            ));
        let ev = EventoErro {
            passo: self.passo_corrente,
            modulo: modulo.to_string(),
            mensagem: mensagem.to_string(),
            causa_provavel: causa.to_string(),
            correcao_sugerida: correcao.to_string(),
        };
        self.append_jsonl("erro", &ev);
        self.eventos_erro.push(ev);
    }

    /// Escreve o dump completo das séries no JSONL (evento "dump") — chamado
    /// ao fim de cada fase para o painel v0.5.0 (Theil–Sen por série).
    pub fn dump_jsonl(&self) {
        if let Some(p) = &self.caminho_jsonl {
            if let Ok(mut f) = std::fs::OpenOptions::new().create(true).append(true).open(p) {
                let _ = writeln!(f, "{{\"tipo\":\"dump\",\"dados\":{}}}",
                    serde_json::to_string(&self.dump().get("series").cloned()
                        .unwrap_or(serde_json::Value::Null)).unwrap_or_default());
            }
        }
    }

    fn append_jsonl<T: Serialize>(&self, tipo: &str, ev: &T) {
        if let Some(p) = &self.caminho_jsonl {
            if let Ok(mut f) = std::fs::OpenOptions::new().create(true).append(true).open(p) {
                let _ = writeln!(f, "{{\"tipo\":\"{tipo}\",\"dados\":{}}}",
                    serde_json::to_string(ev).unwrap_or_default());
            }
        }
    }

    /// EMA de uma série (para suavização exponencial nos detectores).
    pub fn ema(&self, nome: &str, alfa: f64) -> Option<f64> {
        let s = self.series.get(nome)?;
        let mut acc = s[0].1;
        for (_, v) in &s[1..] {
            acc = alfa * v + (1.0 - alfa) * acc;
        }
        Some(acc)
    }

    /// Inclinação da EMA nos últimos k passos (detecção de aprendizado).
    pub fn inclinacao_ema(&self, nome: &str, k: usize, alfa: f64) -> Option<f64> {
        let s = self.series.get(nome)?;
        if s.len() < 2 { return None; }
        let ini = s.len().saturating_sub(k);
        let mut acc_ini = s[ini].1;
        for (_, v) in &s[ini + 1..] {
            acc_ini = alfa * v + (1.0 - alfa) * acc_ini;
        }
        let mut acc_fim = s[0].1;
        for (_, v) in &s[1..] {
            acc_fim = alfa * v + (1.0 - alfa) * acc_fim;
        }
        let passos = (s.len() - ini) as f64;
        Some((acc_fim - acc_ini) / passos)
    }

    /// Escore de aprendizado composto em [0,1]: sinal = inclinação negativa da
    /// perda (EMA) + nível absoluto relativo ao inicial + saúde do codebook.
    pub fn escore_aprendizado(&self) -> f64 {
        let Some(perda) = self.series.get("perda") else { return 0.0 };
        if perda.len() < 4 { return 0.0; }
        let p0 = perda.iter().map(|(_, v)| *v).fold(f64::INFINITY, f64::min);
        let pl = perda.last().map(|(_, v)| *v).unwrap_or(p0);
        let reducao = ((p0 - pl) / p0.max(1e-9)).clamp(0.0, 1.0);
        let incl = self.inclinacao_ema("perda", 64, 0.05).unwrap_or(0.0);
        let sinal = (-incl * 1000.0).clamp(-1.0, 1.0) * 0.5 + 0.5;
        // saúde do codebook (se medida): perplexidade relativa
        let saude = self.series.get("codebook_perplexidade_media").and_then(|s| s.last().map(|(_, v)| *v)).unwrap_or(1.0);
        let saude_n = (saude / 16.0).clamp(0.0, 1.0); // K=64: perplexidade 16+ = saudável
        0.45 * reducao + 0.35 * sinal + 0.20 * saude_n
    }

    // -------------------------------------------------------------------
    // v0.5.0 — detecção de aprendizado ROBUSTA (regressão de Theil–Sen com
    // R²) e ajustes automatizados auditados
    // -------------------------------------------------------------------

    /// Detecção robusta de aprendizado numa série: regressão de Theil–Sen
    /// (mediana das inclinações par a par — quebra com até ~29% de outliers)
    /// + R² contra o ajuste linear + veredito qualitativo.
    ///
    /// **Teo TD-1 (robustez do Theil–Sen):** com < 29,3% de pontos
    /// contaminados, a mediana das inclinações par a par permanece no
    /// intervalo interpolado dos resíduos limpos (breakdown point exato do
    /// estimador par-a-par); a média OLS quebra com UM único outlier.
    ///
    /// Retorna (inclinacao_robusta, r2, veredito) onde o veredito ∈
    /// {"aprendendo", "estagnado", "divergindo", "amostra_insuficiente"}.
    pub fn deteccao_aprendizado(&self, nome: &str, janela: usize) -> (f64, f64, &'static str) {
        let Some(s) = self.series.get(nome) else { return (0.0, 0.0, "amostra_insuficiente") };
        if s.len() < 4 {
            return (0.0, 0.0, "amostra_insuficiente");
        }
        let ini = s.len().saturating_sub(janela.max(4));
        let pts: Vec<(f64, f64)> = s[ini..].iter().map(|(t, v)| (*t as f64, *v)).collect();
        let n = pts.len();
        if n < 4 {
            return (0.0, 0.0, "amostra_insuficiente");
        }
        // Theil–Sen: mediana das inclinações (i < j)
        let mut inclinacoes: Vec<f64> = Vec::with_capacity(n * (n - 1) / 2);
        for i in 0..n {
            for j in i + 1..n {
                let dx = pts[j].0 - pts[i].0;
                if dx.abs() > 1e-12 {
                    inclinacoes.push((pts[j].1 - pts[i].1) / dx);
                }
            }
        }
        if inclinacoes.is_empty() {
            return (0.0, 0.0, "amostra_insuficiente");
        }
        inclinacoes.sort_by(|a, b| a.partial_cmp(b).unwrap());
        let incl = inclinacoes[inclinacoes.len() / 2];
        // intercepto pela mediana dos resíduos
        let mut res_intercept: Vec<f64> = pts.iter().map(|(x, y)| y - incl * x).collect();
        res_intercept.sort_by(|a, b| a.partial_cmp(b).unwrap());
        let b0 = res_intercept[res_intercept.len() / 2];
        // R² do ajuste robusto (1 − SS_res/SS_tot)
        let media_y: f64 = pts.iter().map(|(_, y)| y).sum::<f64>() / n as f64;
        let ss_tot: f64 = pts.iter().map(|(_, y)| (y - media_y) * (y - media_y)).sum();
        let ss_res: f64 = pts
            .iter()
            .map(|(x, y)| {
                let e = y - (incl * x + b0);
                e * e
            })
            .sum();
        let r2 = if ss_tot > 1e-12 { (1.0 - ss_res / ss_tot).clamp(-1.0, 1.0) } else { 0.0 };
        // veredito: a escala da inclinação é relativa à magnitude da série
        let escala = media_y.abs().max(1e-9);
        let rel = incl / escala;
        let veredito = if rel < -1e-4 {
            "aprendendo"
        } else if rel > 1e-4 {
            "divergindo"
        } else {
            "estagnado"
        };
        (incl, r2, veredito)
    }

    /// Painel de telemetria v0.5.0: detecção de aprendizado em TODAS as
    /// séries registradas + eventos de ajuste computados + saúde geral.
    pub fn painel_v050(&self) -> serde_json::Value {
        let deteccoes: serde_json::Map<String, serde_json::Value> = self
            .series
            .iter()
            .map(|(k, _)| {
                let (incl, r2, vered) = self.deteccao_aprendizado(k, 256);
                (
                    k.clone(),
                    serde_json::json!({
                        "inclinacao_theil_sen": incl,
                        "r2": r2,
                        "veredito": vered,
                        "n_amostras": self.series[k].len(),
                    }),
                )
            })
            .collect();
        serde_json::json!({
            "versao": "0.5.0",
            "deteccoes": deteccoes,
            "escore_aprendizado": self.escore_aprendizado(),
            "ajustes_computados": self.eventos_ajuste.len(),
            "erros_registrados": self.eventos_erro.len(),
        })
    }

    /// Dump completo (para o relatório Python).
    pub fn dump(&self) -> serde_json::Value {
        let series: serde_json::Map<String, serde_json::Value> = self
            .series
            .iter()
            .map(|(k, v)| {
                (
                    k.clone(),
                    serde_json::Value::Array(
                        v.iter().map(|(p, x)| serde_json::json!([p, x])).collect(),
                    ),
                )
            })
            .collect();
        serde_json::json!({
            "series": series,
            "eventos_ajuste": self.eventos_ajuste,
            "eventos_erro": self.eventos_erro,
            "escore_aprendizado": self.escore_aprendizado(),
        })
    }

    /// Últimos valores de todas as séries (snapshot para callback Python).
    pub fn instantaneo(&self) -> Vec<(String, f64)> {
        self.series
            .iter()
            .filter_map(|(k, v)| v.last().map(|(_, x)| (k.clone(), *x)))
            .collect()
    }

    // -------------------------------------------------------------------
    // v0.6.0 — acordo par-a-par, polaridade por métrica, painel v0.6.0
    // -------------------------------------------------------------------

    /// **Acordo par-a-par das tentativas** (insumo do A-3): média das
    /// similaridades de cosseno entre pares de candidatos (n, d).
    /// Sob o modelo binário i.i.d. (correto c/ prob. p), o acordo em
    ///expectância é `a = p² + (1−p)²` (lema do acordo — r-26 A-3).
    pub fn acordo_par_a_par(candidatos: &[(String, f64)]) -> f64 {
        // variante escalar: média das concordâncias sinalizadas entre pares
        if candidatos.len() < 2 {
            return 0.0;
        }
        let mut soma = 0f64;
        let mut pares = 0usize;
        for i in 0..candidatos.len() {
            for j in i + 1..candidatos.len() {
                let (_, vi) = &candidatos[i];
                let (_, vj) = &candidatos[j];
                // concordância = 1 − |vi − vj| (métrica em [0,1])
                soma += 1.0 - (vi - vj).abs();
                pares += 1;
            }
        }
        soma / pares.max(1) as f64
    }

    /// **Polaridade por métrica** (fecha o débito r-22 §7): para séries
    /// cujo nome indica ERRO (perda, ce, erro, eq, mse, delta, norma) a
    /// direção BOA é DESCER (−1); para as demais (confiança, acurácia,
    /// perplexidade de codebook, escore, accordo) a direção boa é SUBIR
    /// (+1). O veredito "aprendendo" agora é POLARIDADE-AWARE:
    /// aprendendo ⇔ inclinação na direção boa.
    pub fn polaridade(nome: &str) -> i8 {
        let n = nome.to_ascii_lowercase();
        const NEGATIVAS: [&str; 9] =
            ["perda", "ce", "erro", "eq", "mse", "delta_ort", "norma_grad", "diverg", "tempo"];
        if NEGATIVAS.iter().any(|p| n.starts_with(p) || n.contains(&format!("_{p}"))) {
            -1
        } else {
            1
        }
    }

    /// Painel de telemetria v0.6.0: detecção polaridade-aware em TODAS as
    /// séries + veredito consolidado por direção.
    pub fn painel_v060(&self) -> serde_json::Value {
        let mut aprendendo = 0usize;
        let mut piorando = 0usize;
        let mut estagnado = 0usize;
        let deteccoes: serde_json::Map<String, serde_json::Value> = self
            .series
            .iter()
            .map(|(k, _)| {
                let (incl, r2, vered) = self.deteccao_aprendizado(k, 256);
                let pol = Self::polaridade(k) as i8;
                // veredito polaridade-aware: incl·pol < 0 ⇒ aprendendo
                let prod = incl * pol as f64;
                let vered_pol: &'static str = if self.series[k].len() < 4 {
                    "amostra_insuficiente"
                } else if prod < -1e-9 {
                    "aprendendo"
                } else if prod > 1e-9 {
                    "piorando"
                } else {
                    "estagnado"
                };
                match vered_pol {
                    "aprendendo" => aprendendo += 1,
                    "piorando" => piorando += 1,
                    _ => estagnado += 1,
                }
                let _ = vered;
                (
                    k.clone(),
                    serde_json::json!({
                        "inclinacao_theil_sen": incl,
                        "r2": r2,
                        "polaridade": pol,
                        "veredito_polarizado": vered_pol,
                        "n_amostras": self.series[k].len(),
                    }),
                )
            })
            .collect();
        serde_json::json!({
            "versao": "0.6.0",
            "deteccoes": deteccoes,
            "resumo_direcoes": {
                "aprendendo": aprendendo, "piorando": piorando, "estagnado": estagnado,
            },
            "escore_aprendizado": self.escore_aprendizado(),
            "ajustes_computados": self.eventos_ajuste.len(),
            "erros_registrados": self.eventos_erro.len(),
        })
    }

    /// Painel v0.7.0 — herda o v0.6.0 (polaridade-aware) e adiciona o
    /// bloco de sinais dos módulos novos: FNH (gate/punição/δ_ort), árvore
    /// de pesos (crédito/regulação por nó), quebra-cabeça (aceitação/
    /// confiança) e NLP/NLG (gates/coerência). Métricas ausentes são
    /// simplesmente omitidas (painel ADITIVO — sem acoplamento rígido).

    /// Painel v0.9.0 — despacho SIMD + contexto das medições da r-34.
    pub fn painel_v090(&self) -> serde_json::Value {
        let mut p = self.painel_v070(None);
        if let Some(obj) = p.as_object_mut() {
            obj.insert("simd".into(), crate::simd::relatorio());
            obj.insert(
                "v090_nota".into(),
                serde_json::json!(
                    "kernels AVX-512 com despacho em runtime (bit-a-bit); medições em r-34 §4/§6: \
                     AdamW 1,0-1,2× (limitado por memória), BMU argmin: escalar ótimo em d=4; \
                     bf16 em CPU candle: 3× MAIS LENTO (upcast por op); nosso AdamW 1,5-1,7× mais \
                     rápido que candle_nn::optim"
                ),
            );
        }
        p
    }

    pub fn painel_v070(&self, arvore: Option<&crate::arvore_pesos::ArvorePesos>) -> serde_json::Value {
        let mut p = self.painel_v060();
        // promove a versão sem perder o conteúdo
        p["versao"] = serde_json::json!("0.7.0");
        // sinais FNH (registrados no hub como fnh_*)
        let fnh = serde_json::json!({
            "gate_ultimo": self.ema("fnh_gate", 0.9),
            "punicao_ema": self.ema("fnh_punicao", 0.9),
            "delta_ort_rotacao": self.ema("fnh_delta_ort", 0.9),
            "theta_norma": self.ema("fnh_theta_norma", 0.9),
        });
        p["fnh"] = fnh;
        // quebra-cabeça
        p["quebra_cabeca"] = serde_json::json!({
            "taxa_aceitacao": self.ema("qc_taxa_aceitacao", 0.8),
            "confianca_melhor": self.ema("qc_confianca_melhor", 0.8),
            "confianca_base": self.ema("qc_confianca_base", 0.8),
            "punicao_acumulada": self.ema("qc_punicao", 0.8),
        });
        // NLP/NLG
        p["nlp_nlg"] = serde_json::json!({
            "nlp_gate_medio": self.ema("nlp_gate_medio", 0.9),
            "nlg_coerencia": self.ema("nlg_score_coerencia", 0.9),
            "espec_aceitacao": self.ema("espec_aceitacao", 0.9),
            "espec_speedup": self.ema("espec_speedup", 0.9),
        });
        // árvore de pesos: métricas agregadas por nó (fundo-topo)
        if let Some(a) = arvore {
            let nos: serde_json::Map<String, serde_json::Value> = a
                .nos
                .iter()
                .map(|no| {
                    let m: serde_json::Map<String, serde_json::Value> = no
                        .metricas
                        .iter()
                        .map(|(k, v)| (k.clone(), serde_json::json!(v)))
                        .collect();
                    (
                        no.nome.clone(),
                        serde_json::json!({
                            "intervalo": [no.ini, no.fim],
                            "profundidade": no.profundidade,
                            "metricas": m,
                        }),
                    )
                })
                .collect();
            p["arvore_pesos"] = serde_json::json!({
                "n_nos": a.n_nos(),
                "n_enlaces": a.enlaces.len(),
                "n_params": a.n_params,
                "nos": nos,
                "invariantes_ok": a.invariantes_ok().is_ok(),
            });
        }
        p
    }
}