#!/usr/bin/env python3
"""ПЕРЕКРЁСТНОЕ судейство: чужая модель-судья + ЗЕРКАЛЬНАЯ раскладка А/Б.

Повод (владелец 05.08): «какой смысл давать 24 агентам одно и то же, если это одна модель?
От спама их количества суть не поменяется». Довод верный. Пакеты были разные (24 сравнения,
а не 24 повтора), но судья один — Claude с одной рубрикой, значит систематическая ошибка у всех
общая, и добавление агентов её не уменьшает. Симптом уже вылез: позиция «А» победила 18 раз из 24,
а редактура — 12/12 в позиции А против 6/12 в позиции Б.

Здесь снимаются обе проблемы разом, дизайном 2×2:
  · судья ДРУГОЙ МОДЕЛИ (через тот же провод, что и сам эксперимент),
  · каждый пакет судится в ДВУХ раскладках — прямой и зеркальной (А и Б переставлены).

Тогда:
  вердикт совпал в обеих раскладках      → это про текст;
  вердикт следует за ПОЗИЦИЕЙ            → это предвзятость судьи, а не качество;
  чужая модель расходится с Claude       → расхождение локализуется в судье, а не в данных.

Формат ответа судьи намеренно жёсткий и куцый: разбор нам от него не нужен (он уже есть от Claude),
нужен голос, который можно сложить.
"""
from __future__ import annotations
import json
import re
import sys
import time
from pathlib import Path

REPO = Path("/home/ubuntu/projects/textmachine")
HERE = Path(__file__).resolve().parent
sys.path.insert(0, str(REPO / "eval" / "editor_contract"))
sys.path.insert(0, str(REPO / "eval" / "bank_arbitration"))
sys.path.insert(0, str(HERE))

import probe as Q  # noqa: E402

PACK = Path.home() / "books" / "gu-zhenren" / "editor-harness" / ("judge-reflow" if "--reflow" in sys.argv else "judge-direct")
OUT = PACK.parent / ("judge-cross-reflow" if "--reflow" in sys.argv else "judge-cross")
AXES = ["верность", "глоссарий", "русский", "полнота", "чистота", "общий"]

RUBRIC = """Ты — эксперт по художественному переводу с китайского на русский. Ниже исходник,
утверждённый глоссарий и две версии перевода. Сравни их.

Оси:
1 верность — искажения смысла, полярность, числа, потерянные или добавленные смысловые атомы
2 глоссарий — канонические формы терминов соблюдены дословно (склонение допустимо)
3 русский — живость, отсутствие калек и канцелярита, абзацная вёрстка, оформление прямой речи
4 полнота — все предложения исходника переданы, ничего не выброшено и не дописано
5 чистота — нет непереведённых фрагментов, иероглифов, латиницы, преамбул, комментариев
6 общий — что лучше как издательский перевод

⚠ Слияние коротких построчных абзацев исходника в связные русские абзацы — ТРЕБОВАНИЕ, а не
вольность. Само по себе оно не дефект.

ФОРМАТ ОТВЕТА — ровно шесть строк, без единого слова пояснений:
верность: А|Б|ничья
глоссарий: А|Б|ничья
русский: А|Б|ничья
полнота: А|Б|ничья
чистота: А|Б|ничья
общий: А|Б|ничья
"""


def mirror(packet: str) -> str:
    """Меняет местами разделы «Версия А» и «Версия Б», не трогая исходник и глоссарий."""
    m = re.search(r"(## Версия А\n\n)(.*?)(\n## Версия Б\n\n)(.*)$", packet, re.S)
    if not m:
        raise ValueError("не нашёл секции версий")
    head = packet[:m.start()]
    return f"{head}## Версия А\n\n{m.group(4).rstrip()}\n\n## Версия Б\n\n{m.group(2).rstrip()}\n"


def parse(reply: str) -> dict:
    out = {}
    for ln in reply.splitlines():
        mm = re.match(r"\s*(\w+)\s*:\s*(А|Б|ничья)\s*$", ln.strip())
        if mm and mm.group(1).lower() in AXES:
            out[mm.group(1).lower()] = mm.group(2)
    return out


def main(model: str, models_short: list[str]) -> None:
    OUT.mkdir(parents=True, exist_ok=True)
    nothink = Q.MODELS[model][5] in ("disable", "effort_none")
    total = 0.0
    rows = []
    for ms in models_short:
        for k in range(6):
            p = PACK / f"packet-{ms}-w{k}.md"
            if not p.exists():
                continue
            body = p.read_text(encoding="utf-8")
            for orient, txt in (("прямая", body), ("зеркальная", mirror(body))):
                pre = "jr" if "--reflow" in sys.argv else "jx"
                tag = f"{pre}-{ms}-w{k}-{'d' if orient == 'прямая' else 'm'}"
                msgs = [{"role": "system", "content": RUBRIC},
                        {"role": "user", "content": txt}]
                rec = Q.call(model, msgs, tag, nothink)
                total += rec["cost_usd"]
                v = parse(rec["content"])
                rows.append(dict(model_short=ms, window=k, orient=orient, verdict=v))
                time.sleep(0.2)
    (OUT / f"votes-{model}.json").write_text(json.dumps(rows, ensure_ascii=False, indent=1),
                                             encoding="utf-8")
    print(f"голосов: {len(rows)}; потрачено ${total:.6f}; → votes-{model}.json")


if __name__ == "__main__":
    args = [a for a in sys.argv[1:] if not a.startswith("--")]
    mdl = args[0] if args else "deepseek-v4-pro"
    main(mdl, args[1:] or (["dp", "gl", "lu"] if "--reflow" in sys.argv else ["dp", "gl", "gr", "lu"]))