"""统一获取普通模型或绑定结构化输出的模型"""

from functools import cache
from typing import Any, TypeVar, overload

from langchain_core.runnables import Runnable
from langchain_openai import ChatOpenAI
from pydantic import BaseModel

from app.config import settings

OutputModel = TypeVar("OutputModel", bound=BaseModel)


@cache
def _get_base_llm() -> ChatOpenAI:
    """只缓存基础客户端，不因输出 schema 不同而重复创建连接"""
    if not settings.llm_api_key.strip() or not settings.llm_model.strip():
        raise ValueError("未配置 LLM_API_KEY 或 LLM_MODEL")
    return ChatOpenAI(
        model=settings.llm_model,
        api_key=settings.llm_api_key,
        base_url=settings.llm_base_url,
        timeout=settings.llm_timeout,
        max_retries=settings.llm_max_retries,
    )


# 下面两个 @overload 只给类型检查器和编辑器看，运行时不会执行
# 不传 schema：返回普通聊天模型，输出是自由文本
@overload
def get_llm() -> ChatOpenAI: ...


# 传入 Pydantic 类：返回结构化调用器，ainvoke 的结果就是该类的实例
# OutputModel 让返回类型跟着传入的类走，例如 get_llm(Requirement) 得到 Runnable[..., Requirement]
@overload
def get_llm(schema: type[OutputModel]) -> Runnable[Any, OutputModel]: ...


# 真正的实现：schema 用 type[BaseModel] | None 覆盖上面两种调用
# 返回类型由 overload 决定，这里不再重复标注
def get_llm(schema: type[BaseModel] | None = None) -> Any:
    llm = _get_base_llm()
    if schema is None:
        return llm
    return llm.with_structured_output(schema, method="function_calling", strict=False)