//! 验证「历史种子导入的工作流名」与「正式工作流名」的隔离关系。
//!
//! 用户意图：离线导入工具把旧计算结果导入，标记为已完成，避免重算。
//! 关键问题：导入到工作流 A，之后正式启动工作流 B（同名/异名），B 能否看到 A 标记的 converged？

use common::config::GridConfig;
use common::models::{GridPointParams, ModelSummary};
use mq::sqlite_queue::SqliteTaskQueue;
use server::{db::Database, scheduler::GridScheduler};
use std::sync::Arc;

fn make_params() -> GridPointParams {
    use common::models::GridAxisValue;
    GridPointParams {
        teff: GridAxisValue::from_value(20000.0),
        logg: GridAxisValue::from_value(5.0),
        loghe: GridAxisValue::from_value(-2.0),
        logc: GridAxisValue::from_value(-4.0),
        logn: GridAxisValue::from_value(-4.0),
        logo: GridAxisValue::from_value(-4.0),
    }
}

/// 构造一个收敛的 ModelSummary（result_valid=true, atmosphere_has_nan=false），
/// 用 point_name 作权威名。供测试模拟离线导入写入 summary_json。
fn make_converged_summary(name: &str, params: &GridPointParams) -> ModelSummary {
    ModelSummary {
        name: name.to_string(),
        params: params.clone(),
        stages: Vec::new(),
        result_valid: true,
        final_max_relc: Some(0.001),
        final_chmax: Some(0.001),
        seed: None,
        atmosphere_has_nan: false,
        synspec_rc: None,
        synspec_error: None,
        synspec_sec: None,
        elapsed_sec: 0.0,
        energy_check: None,
        temp_check: None,
        emflux_check: None,
        bfac_check: None,
        note: None,
    }
}

/// 测试辅助：模拟离线导入——upsert 点 + 写收敛 summary（等价旧 mark_grid_point_imported）。
async fn mark_imported(
    db: &Database,
    name: &str,
    workflow: &str,
    params: &GridPointParams,
    method: &str,
) {
    db.upsert_grid_point_named(name, params, 0, workflow)
        .await
        .unwrap();
    let summary = make_converged_summary(name, params);
    db.upsert_point_summary(name, workflow, &summary, method)
        .await
        .unwrap();
}

/// 构造只含一个网格点（t20000_g5.0_he-2_c-4_n-4_o-4）的 config。
fn make_grid_cfg() -> GridConfig {
    let yaml = "grid:\n  teff: [20000]\n  logg: [5.0]\n  loghe: [-2]\n  logc: [-4]\n  logn: [-4]\n  logo: [-4]\n";
    GridConfig::from_yaml_str(yaml).unwrap()
}

async fn setup() -> (Database, Arc<GridScheduler>) {
    let tmp = tempfile::tempdir().unwrap();
    let db = Database::new(&tmp.path().join("db.db").to_string_lossy())
        .await
        .unwrap();
    let queue = Arc::new(
        SqliteTaskQueue::new(&tmp.path().join("q.db").to_string_lossy())
            .await
            .unwrap(),
    );
    let sched = Arc::new(GridScheduler::new(db.clone(), queue));
    (db, sched)
}

/// 场景 1（正确用法）：导入到工作流 "sdB_cno"，再用同名 config initialize_grid。
/// 期望：initialize_grid 的 ON CONFLICT(workflow_name, name) DO NOTHING 保留 converged 状态。
#[tokio::test]
async fn test_same_workflow_name_preserves_converged() {
    let (db, sched) = setup().await;
    let name = "t20000_g5.0_he-2_c-4_n-4_o-4";
    let p = make_params();

    // 模拟离线导入：upsert + 写收敛 summary，工作流名 = sdB_cno
    mark_imported(&db, name, "sdB_cno", &p, "cold_run").await;

    // 之后正式启动同名工作流：initialize_grid(sdB_cno)
    sched
        .initialize_grid(&make_grid_cfg(), "sdB_cno")
        .await
        .unwrap();

    let st = db.get_grid_point_status(name, "sdB_cno").await.unwrap();
    assert_eq!(
        st.unwrap().0,
        "completed",
        "同名工作流：导入的 converged 应被保留，避免重算"
    );
    println!("✓ 场景1（同名）：status=converged，旧结果被保留，不会重算");
}

/// 场景 2（错误用法）：导入到工作流 "imported"，之后正式启动 "sdB_cno"。
/// 期望：sdB_cno 分区下是新插入的 pending 行，看不到 imported 分区的 converged。
#[tokio::test]
async fn test_different_workflow_name_causes_recompute() {
    let (db, sched) = setup().await;
    let name = "t20000_g5.0_he-2_c-4_n-4_o-4";
    let p = make_params();

    // 模拟离线导入：导入到 "imported" 工作流
    mark_imported(&db, name, "imported", &p, "cold_run").await;

    // 之后正式启动 "sdB_cno" 工作流
    sched
        .initialize_grid(&make_grid_cfg(), "sdB_cno")
        .await
        .unwrap();

    // imported 分区：converged（种子库有，但不会被 sdB_cno 调度看到）
    let st_imp = db.get_grid_point_status(name, "imported").await.unwrap();
    assert_eq!(st_imp.unwrap().0, "completed");

    // sdB_cno 分区：pending（重新算！看不到 imported 的 converged）
    let st_real = db.get_grid_point_status(name, "sdB_cno").await.unwrap();
    assert_eq!(
        st_real.unwrap().0,
        "pending",
        "异名工作流：sdB_cno 看不到 imported 的 converged，会重算"
    );
    println!("✓ 场景2（异名）：sdB_cno 分区 status=pending，会重复计算 —— 验证了工作流名必须匹配");
}

/// 场景 3（真实意图验证）：旧网格有部分点已算完（导入为 converged），
/// 新网格比旧网格多了若干点。用同名工作流启动后：
/// - 旧点保持 converged（不重算）
/// - 新点是 pending（会被调度计算）
/// 这正是「同步旧结果避免重算」的核心语义。
#[tokio::test]
async fn test_mixed_grid_import_then_init_avoids_recompute() {
    let (db, sched) = setup().await;
    let p_old = make_params(); // t20000_g5.0_...

    // 模拟离线导入：旧网格里这个点已收敛，导入到 sdB_cno
    mark_imported(&db, "t20000_g5.0_he-2_c-4_n-4_o-4", "sdB_cno", &p_old, "cold_run").await;

    // 正式启动 sdB_cno，config 比旧网格多了一个新点（t25000）
    let yaml = "grid:\n  teff: [20000, 25000]\n  logg: [5.0]\n  loghe: [-2]\n  logc: [-4]\n  logn: [-4]\n  logo: [-4]\n";
    let cfg = GridConfig::from_yaml_str(yaml).unwrap();
    sched.initialize_grid(&cfg, "sdB_cno").await.unwrap();

    // 旧点：converged（不重算）
    let st_old = db
        .get_grid_point_status("t20000_g5.0_he-2_c-4_n-4_o-4", "sdB_cno")
        .await
        .unwrap();
    assert_eq!(
        st_old.unwrap().0,
        "completed",
        "旧点应保持 converged 不重算"
    );

    // 新点：pending（会被调度）
    let st_new = db
        .get_grid_point_status("t25000_g5.0_he-2_c-4_n-4_o-4", "sdB_cno")
        .await
        .unwrap();
    assert_eq!(st_new.unwrap().0, "pending", "新点应为 pending 等待计算");

    println!("✓ 场景3（混合网格）：旧点converged保留 + 新点pending待算 —— 完全符合避免重算的意图");
}

/// 场景 4（精度差异命门）：旧 conv.json name=g5（无小数），但配置 logg=5.0 → model_name()=g5.0。
/// 导入工具必须把 name 重写为 g5.0 入库，否则 initialize_grid 插入的 g5.0 行与导入的 g5 行
/// 复合唯一键不匹配，导入的 converged 被孤立、g5.0 被重算。
/// 本测试直接模拟「入库的 grid_points.name = g5.0」（即工具重写后的状态），
/// 验证 initialize_grid(sdB_cno) 后该行保持 converged（不重算）。
#[tokio::test]
async fn test_precision_diff_import_then_init_preserves_converged() {
    let (db, sched) = setup().await;
    // 配置权威名（logg=5.0 → g5.0，保留小数）
    let canonical = "t20000_g5.0_he-2_c-4_n-4_o-4";
    use common::models::GridAxisValue;
    let p = GridPointParams {
        teff: GridAxisValue::from_value(20000.0),
        logg: GridAxisValue::from_value(5.0),
        loghe: GridAxisValue::from_value(-2.0),
        logc: GridAxisValue::from_value(-4.0),
        logn: GridAxisValue::from_value(-4.0),
        logo: GridAxisValue::from_value(-4.0),
    };

    // 模拟离线导入重写 name 后入库：grid_points.name = canonical(g5.0)
    mark_imported(&db, canonical, "sdB_cno", &p, "cold_run").await;

    // 启动同名工作流：initialize_grid 用配置 model_name()(=g5.0) 插入
    let yaml = "grid:\n  teff: [20000]\n  logg: [5.0]\n  loghe: [-2]\n  logc: [-4]\n  logn: [-4]\n  logo: [-4]\n";
    let cfg = GridConfig::from_yaml_str(yaml).unwrap();
    sched.initialize_grid(&cfg, "sdB_cno").await.unwrap();

    // 关键断言：name=g5.0 的行保持 converged（ON CONFLICT DO NOTHING 命中）
    let st = db
        .get_grid_point_status(canonical, "sdB_cno")
        .await
        .unwrap();
    assert_eq!(
        st.unwrap().0,
        "completed",
        "精度一致(g5.0=g5.0)时导入的 converged 必须保留，不重算"
    );
    println!("✓ 场景4（精度差异命门）：g5.0 入库 + initialize_grid → converged 保留，避免重算");
}