"""Pipeline chain insights (mirrors MainWindow::recomputeInsights)."""

from __future__ import annotations

from typing import Any


def compute_insights(
    preprocess_plugins: list[str],
    reconstruction_plugin: str,
) -> dict[str, Any]:
    warnings: list[str] = []
    risk_state = False

    stages = [s for s in preprocess_plugins if s]
    voxel_idx = stages.index("pcl_voxel_grid") if "pcl_voxel_grid" in stages else -1
    remove_nan_idx = stages.index("pcl_remove_nan") if "pcl_remove_nan" in stages else -1
    remove_nan_normals_idx = (
        stages.index("pcl_remove_nan_normals") if "pcl_remove_nan_normals" in stages else -1
    )
    outlier_indexes = []
    for stage_id in (
        "pcl_statistical_outlier",
        "pcl_radius_outlier",
        "pcl_model_outlier",
        "pcl_shadow_points",
    ):
        if stage_id in stages:
            outlier_indexes.append(stages.index(stage_id))
    first_outlier_idx = min(outlier_indexes) if outlier_indexes else -1

    if not stages:
        risk_state = True
        warnings.append("Добавьте хотя бы один этап препроцессинга перед реконструкцией.")
    else:
        if first_outlier_idx < 0:
            warnings.append("Добавьте outlier removal для стабилизации триангуляции.")
        if first_outlier_idx >= 0:
            nan_idxs = [i for i in (remove_nan_idx, remove_nan_normals_idx) if i >= 0]
            first_nan_preclean_idx = min(nan_idxs) if nan_idxs else -1
            if first_nan_preclean_idx < 0 or first_nan_preclean_idx > first_outlier_idx:
                warnings.append(
                    "Удалите NaN сразу после загрузки/обрезки: иначе статистические фильтры работают нестабильно."
                )
        if voxel_idx >= 0 and first_outlier_idx >= 0 and first_outlier_idx > voxel_idx:
            warnings.append(
                "OutlierRemoval стоит после VoxelGrid: лучше сначала очистить шум, затем прореживать."
            )
        if reconstruction_plugin == "pcl_greedy_triangulation" and voxel_idx < 0:
            warnings.append("Greedy triangulation обычно работает лучше после voxel downsampling.")

    if risk_state:
        chain_health = "Risk"
        recommendation = warnings[0] if warnings else "Проверьте порядок этапов пайплайна."
    elif warnings:
        chain_health = "Warning"
        recommendation = warnings[0]
    else:
        chain_health = "OK"
        recommendation = "Пайплайн сбалансирован. Используйте «Сохр. конф.» для A/B-сравнения."

    return {
        "chainHealth": chain_health,
        "warningsList": warnings,
        "recommendation": recommendation,
    }