"""Okna kontekstu i planowanie budżetu tokenów (LOG-30/31).

Naczelna zasada, której pilnują te testy: **zawsze zostaje miejsce na odpowiedź**.
Prompt nigdy nie może wypełnić całego okna kontekstu, bo wtedy model kończy na
`max_tokens` z pustą albo uciętą treścią — to był zgłoszony błąd.
"""
import pytest

from app.llm import limits


def test_known_models_have_documented_limits():
    ctx, out = limits.limits_for("anthropic", "claude-opus-4-8")
    assert ctx == 1_000_000 and out == 128_000
    ctx, out = limits.limits_for("anthropic", "claude-haiku-4-5")
    assert ctx == 200_000 and out == 64_000


def test_local_model_tag_is_matched_by_prefix():
    """Modele lokalne niosą tag (`llama3.1:8b`) — dopasowanie musi to znieść."""
    assert limits.limits_for("local", "llama3.1:8b") == limits.limits_for("local", "llama3.1")


def test_unknown_model_falls_back_conservatively():
    ctx, out = limits.limits_for("local", "jakis-egzotyczny-model")
    assert ctx == 8_192 and out == 4_096


def test_env_overrides_win(monkeypatch):
    """Modele wychodzą szybciej, niż aktualizuje się tabela."""
    monkeypatch.setenv("LOCAL_CONTEXT_WINDOW", "131072")
    monkeypatch.setenv("LOCAL_MAX_OUTPUT", "8192")
    assert limits.limits_for("local", "llama3.1:8b") == (131_072, 8_192)


def test_env_override_ignores_garbage(monkeypatch):
    monkeypatch.setenv("LOCAL_CONTEXT_WINDOW", "nie-liczba")
    assert limits.limits_for("local", "llama3.1:8b")[0] == 8_192


# ------------------------------------------------- rezerwa miejsca na odpowiedź

def test_prompt_budget_always_reserves_room_for_answer():
    ctx, out = limits.limits_for("anthropic", "claude-opus-4-8")
    budget = limits.prompt_token_budget("anthropic", "claude-opus-4-8")
    assert budget + out + limits.SAFETY_MARGIN <= ctx
    assert budget > 0


def test_small_context_model_still_leaves_room():
    budget = limits.prompt_token_budget("local", "llama3.1:8b")
    ctx, out = limits.limits_for("local", "llama3.1:8b")
    assert budget + out + limits.SAFETY_MARGIN <= ctx


def test_plan_shrinks_output_when_prompt_is_huge():
    """Duży prompt nie może dostać pełnego okna wyjścia — musi się zmieścić."""
    ctx, model_out = limits.limits_for("local", "llama3.1:8b")
    p = limits.plan("local", "llama3.1:8b", prompt_tokens=6_000)
    assert p["max_output"] <= ctx - 6_000 - limits.SAFETY_MARGIN
    assert p["max_output"] < model_out


def test_plan_reports_not_fitting_instead_of_failing_silently():
    p = limits.plan("local", "llama3.1:8b", prompt_tokens=8_000)
    assert p["fits"] is False
    assert any("odpowied" in w for w in p["warnings"])


def test_plan_warns_above_90k_but_still_fits():
    """Powyżej 90 tys. tokenów ostrzegamy — ale wysłanie MA być nadal możliwe."""
    p = limits.plan("anthropic", "claude-opus-4-8", prompt_tokens=120_000)
    assert p["fits"] is True, "duży prompt nadal musi dać się wysłać"
    assert p["max_output"] >= limits.MIN_OUTPUT
    assert any("dużo" in w for w in p["warnings"])


def test_no_warning_below_threshold():
    p = limits.plan("anthropic", "claude-opus-4-8", prompt_tokens=10_000)
    assert p["warnings"] == [] and p["fits"] is True


def test_requested_output_is_capped_by_model_maximum():
    p = limits.plan("anthropic", "claude-haiku-4-5", prompt_tokens=1_000, want_output=999_999)
    assert p["max_output"] == 64_000


@pytest.mark.parametrize("tokens", [0, 1_000, 50_000, 200_000, 900_000])
def test_plan_never_returns_negative_output(tokens):
    p = limits.plan("anthropic", "claude-opus-4-8", prompt_tokens=tokens)
    assert p["max_output"] >= 0