class AIResumeOptimizer:
    def __init__(self):
        self.ai = QwenAPI()
        self.jd_parser = JDParser()
    
    def optimize_resume(self, resume_text, target_jd):
        """根据目标职位优化简历"""
        
        # 1. 解析JD关键词
        jd_analysis = self.analyze_jd(target_jd)
        
        # 2. 分析简历现状
        resume_analysis = self.analyze_resume(resume_text)
        
        # 3. 匹配度评分
        match_score = self.calculate_match(resume_analysis, jd_analysis)
        
        # 4. AI优化建议
        optimization = self.generate_optimization(resume_text, jd_analysis, match_score)
        
        # 5. 生成优化后的简历
        optimized_resume = self.rewrite_resume(resume_text, optimization)
        
        return {
            "original_score": match_score["before"],
            "optimized_score": match_score["after"],
            "changes": optimization["changes"],
            "optimized_resume": optimized_resume
        }
    
    def analyze_jd(self, jd_text):
        """AI分析职位描述"""
        prompt = f"""
        深度分析以下职位描述，提取关键信息：
        
        职位描述：{jd_text}
        
        请提取：
        1. 硬性要求（必须满足的条件）
        2. 软性要求（加分项）
        3. 核心技能关键词（按重要性排序）
        4. 行业术语和专业词汇
        5. 公司文化关键词
        6. 隐含要求（字面没写但实际需要的）
        
        输出JSON格式。
        """
        return json.loads(self.ai.call(prompt))
    
    def rewrite_resume(self, resume_text, optimization):
        """AI重写简历"""
        prompt = f"""
        请根据以下优化建议，重写这份简历：
        
        原始简历：{resume_text}
        
        优化建议：{json.dumps(optimization)}
        
        重写要求：
        1. 使用STAR法则描述工作经历（情境-任务-行动-结果）
        2. 量化成果（用数字说话：提升XX%、节省XX万）
        3. 融入目标职位的关键词（自然不堆砌）
        4. 突出与目标职位最相关的经历
        5. 精简无关内容，控制在一页A4纸
        6. 使用主动动词开头（主导、推动、优化、搭建...）
        7. 格式清晰，层次分明
        
        输出完整的优化后简历（Markdown格式）。
        """
        return self.ai.call(prompt)
    
    def generate_cover_letter(self, resume, jd, company_info):
        """AI生成求职信"""
        prompt = f"""
        根据以下信息生成一封求职信：
        
        简历摘要：{resume[:1000]}
        目标职位：{jd[:500]}
        公司信息：{company_info}
        
        求职信要求：
        1. 开头：说明申请职位和信息来源
        2. 第一段：为什么对这个职位感兴趣
        3. 第二段：你能为公司带来什么价值（结合具体经历）
        4. 第三段：为什么选择这家公司
        5. 结尾：表达面试意愿
        6. 总长度：300-400字
        7. 语气：自信但不自大，真诚但不卑微
        """
        return self.ai.call(prompt)

class AIInterviewSimulator:
    def __init__(self):
        self.ai = QwenAPI()
        self.tts = TTSEngine()
        self.stt = STTEngine()  # 语音转文字
    
    def start_mock_interview(self, jd, resume, interview_type="behavioral"):
        """启动模拟面试"""
        
        # 生成面试题目
        questions = self.generate_questions(jd, resume, interview_type)
        
        session = {
            "questions": questions,
            "answers": [],
            "feedback": []
        }
        
        return session
    
    def generate_questions(self, jd, resume, interview_type):
        """AI生成面试题目"""
        prompt = f"""
        你是一个资深面试官，请根据以下信息生成面试题目：
        
        职位描述：{jd[:500]}
        候选人简历：{resume[:500]}
        面试类型：{interview_type}
        
        请生成10个面试问题，包括：
        1. 自我介绍引导（1题）
        2. 行为面试题（3题）- 用STAR法则回答
        3. 技术/专业题（3题）- 考察核心能力
        4. 情景模拟题（2题）- 考察应变能力
        5. 反问环节引导（1题）
        
        每个问题附带：
        - 考察要点
        - 优秀回答的关键要素
        - 常见踩坑点
        """
        return json.loads(self.ai.call(prompt))
    
    def evaluate_answer(self, question, answer, jd_context):
        """AI评估回答质量"""
        prompt = f"""
        作为面试官，评估以下回答：
        
        问题：{question}
        回答：{answer}
        职位背景：{jd_context}
        
        请从以下维度评分（1-10分）：
        1. 内容相关性：是否回答了问题
        2. 结构清晰度：是否有逻辑
        3. 具体程度：是否有具体案例和数据
        4. 专业深度：是否展现专业能力
        5. 表达流畅度：是否自然流畅
        
        总体评分：X/10
        
        改进建议：
        1. 可以补充的内容
        2. 应该避免的表达
        3. 优化后的参考回答
        """
        return self.ai.call(prompt)

class AICareerAdvisor:
    def __init__(self):
        self.ai = QwenAPI()
        self.market_data = JobMarketData()
    
    def generate_career_plan(self, user_profile):
        """生成个性化职业规划"""
        
        # 获取市场数据
        market_trends = self.market_data.get_trends(user_profile["industry"])
        salary_data = self.market_data.get_salary_range(user_profile["role"])
        
        prompt = f"""
        为以下用户生成详细的职业发展规划：
        
        用户信息：
        - 当前职位：{user_profile['current_role']}
        - 工作年限：{user_profile['experience']}年
        - 核心技能：{user_profile['skills']}
        - 薪资水平：{user_profile['salary']}
        - 职业目标：{user_profile['goal']}
        - 所在城市：{user_profile['city']}
        
        市场数据：
        - 行业趋势：{market_trends}
        - 薪资范围：{salary_data}
        
        请输出：
        1. 现状分析（优势、劣势、机会、威胁）
        2. 短期目标（6个月）：具体行动计划
        3. 中期目标（1-2年）：能力提升路径
        4. 长期目标（3-5年）：职业发展方向
        5. 技能提升建议：需要学什么、怎么学
        6. 薪资提升路径：每个阶段的预期薪资
        7. 风险提示：可能遇到的困难和应对策略
        """
        
        return self.ai.call(prompt)