// ========================================
// VALIDATEUR DE PERSONNALITÉ
// Validation de la cohérence avec le profil de personnalité sélectionné
// ========================================

// Import du LLMManager pour validation IA
let LLMManager;
try {
  const llmModule = require('../../lib/LLMManager');
  if (llmModule && typeof llmModule.callLLM === 'function') {
    LLMManager = llmModule;
  }
} catch (error) {
  console.warn('LLMManager non disponible pour PersonalityValidator:', error.message);
}

/**
 * Validateur spécialisé dans l'évaluation de la cohérence de personnalité
 */
class PersonalityValidator {
  
  // Base de données des indicateurs de personnalité
  static PERSONALITY_INDICATORS = {
    'Marc': {
      style: 'technique',
      vocabulary: ['technique', 'précision', 'optimisé', 'performance', 'efficace'],
      tone: 'professionnel',
      structure: 'logique',
      markers: ['il est recommandé', 'la solution optimale', 'techniquement']
    },
    'Sophie': {
      style: 'décoratif',
      vocabulary: ['élégant', 'harmonieux', 'esthétique', 'raffinement', 'style'],
      tone: 'inspirant',
      structure: 'descriptive',
      markers: ['créer une ambiance', 'apporter du charme', 'sublimer']
    },
    'Laurent': {
      style: 'commercial',
      vocabulary: ['opportunité', 'avantage', 'investissement', 'rentable', 'performant'],
      tone: 'persuasif',
      structure: 'argumentative',
      markers: ['bénéficier de', 'maximiser', 'opportunité unique']
    },
    'Julie': {
      style: 'architectural',
      vocabulary: ['structure', 'conception', 'aménagement', 'fonctionnel', 'ergonomie'],
      tone: 'expert',
      structure: 'méthodique',
      markers: ['concevoir', 'structurer', 'aménager']
    },
    'Kévin': {
      style: 'terrain',
      vocabulary: ['pratique', 'solide', 'durable', 'fiable', 'résistant'],
      tone: 'direct',
      structure: 'concrète',
      markers: ['sur le terrain', 'concrètement', 'en pratique']
    },
    'Amara': {
      style: 'ingénierie',
      vocabulary: ['innovation', 'technologie', 'développement', 'recherche', 'avancée'],
      tone: 'scientifique',
      structure: 'analytique',
      markers: ['développer', 'innover', 'technologies avancées']
    },
    'Mamadou': {
      style: 'artisan',
      vocabulary: ['artisanal', 'savoir-faire', 'tradition', 'minutieux', 'authentique'],
      tone: 'passionné',
      structure: 'narrative',
      markers: ['avec passion', 'savoir-faire artisanal', 'tradition']
    },
    'Émilie': {
      style: 'digital',
      vocabulary: ['numérique', 'connecté', 'innovation', 'tendance', 'moderne'],
      tone: 'dynamique',
      structure: 'concise',
      markers: ['solutions digitales', 'innovation numérique', 'connecté']
    },
    'Pierre-Henri': {
      style: 'patrimoine',
      vocabulary: ['héritage', 'tradition', 'authentique', 'noble', 'raffinement'],
      tone: 'distingué',
      structure: 'élaborée',
      markers: ['héritage culturel', 'tradition séculaire', 'authentique']
    },
    'Yasmine': {
      style: 'éco',
      vocabulary: ['durable', 'écologique', 'responsable', 'environnement', 'naturel'],
      tone: 'engagé',
      structure: 'consciente',
      markers: ['respectueux de l\'environnement', 'démarche durable', 'écologique']
    },
    'Fabrice': {
      style: 'métallurgie',
      vocabulary: ['métallique', 'robuste', 'industriel', 'résistance', 'qualité'],
      tone: 'technique',
      structure: 'précise',
      markers: ['qualité métallurgique', 'résistance optimale', 'fabrication']
    },
    'Chloé': {
      style: 'contenu',
      vocabulary: ['créatif', 'expressif', 'original', 'inspirant', 'captivant'],
      tone: 'créatif',
      structure: 'fluide',
      markers: ['créer du contenu', 'inspiration créative', 'expression']
    },
    'Linh': {
      style: 'fabrication',
      vocabulary: ['production', 'qualité', 'processus', 'fabrication', 'contrôle'],
      tone: 'rigoureux',
      structure: 'processuelle',
      markers: ['processus de fabrication', 'contrôle qualité', 'production']
    },
    'Minh': {
      style: 'design',
      vocabulary: ['design', 'esthétique', 'forme', 'beauté', 'élégance'],
      tone: 'artistique',
      structure: 'visuelle',
      markers: ['design innovant', 'esthétique soignée', 'beauté']
    },
    'Thierry': {
      style: 'créole',
      vocabulary: ['chaleur', 'convivial', 'authentique', 'tradition', 'accueil'],
      tone: 'chaleureux',
      structure: 'conviviale',
      markers: ['accueil chaleureux', 'tradition créole', 'convivialité']
    }
  };
  
  /**
   * 🎭 VALIDATION PRINCIPALE PERSONNALITÉ - ORCHESTRATEUR GLOBAL
   * 
   * CE QUI EST TESTÉ :
   * ✅ Récupération profil cible depuis PERSONALITY_INDICATORS (15 profils)
   * ✅ Analyse statique 4 métriques : vocabulaire, ton, structure, marqueurs
   * ✅ Score pondéré : vocabulaire(30%) + ton(25%) + structure(25%) + marqueurs(20%)
   * ✅ Validation LLM complémentaire (fusion 60% statique + 40% IA)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Lookup profil par nom dans base 15 personnalités
   * - 4 analyses parallèles avec indicateurs spécialisés
   * - Calcul confiance via variance des scores (cohérence interne)
   * - Génération feedback personnalisé par personnalité
   */
  static async validatePersonality(content, targetPersonality, context = {}) {
    // Récupération des indicateurs de la personnalité cible
    const indicators = this.PERSONALITY_INDICATORS[targetPersonality.nom] || 
                      this.PERSONALITY_INDICATORS[targetPersonality];
    
    if (!indicators) {
      return {
        score: 50,
        confidence: 0.1,
        feedback: `Personnalité "${targetPersonality.nom || targetPersonality}" inconnue`,
        breakdown: {}
      };
    }
    
    // Analyse statique
    const staticAnalysis = {
      vocabularyMatch: this.analyzeVocabularyMatch(content, indicators.vocabulary),
      toneConsistency: this.analyzeToneConsistency(content, indicators.tone),
      structureAlignment: this.analyzeStructureAlignment(content, indicators.structure),
      markerPresence: this.analyzeMarkerPresence(content, indicators.markers),
      overallCoherence: 0
    };
    
    // Calcul du score statique global
    staticAnalysis.overallCoherence = Math.round(
      staticAnalysis.vocabularyMatch.score * 0.3 +
      staticAnalysis.toneConsistency.score * 0.25 +
      staticAnalysis.structureAlignment.score * 0.25 +
      staticAnalysis.markerPresence.score * 0.2
    );
    
    // Validation IA complémentaire (si LLM disponible)
    let aiAnalysis = null;
    if (LLMManager && context.enableLLM !== false) {
      try {
        const personalityName = targetPersonality.nom || targetPersonality;
        aiAnalysis = await this.validatePersonalityWithLLM(content, personalityName, indicators);
        
        // Fusion des scores (moyenne pondérée)
        const combinedScore = Math.round(staticAnalysis.overallCoherence * 0.6 + aiAnalysis.score * 0.4);
        
        return {
          score: combinedScore,
          confidence: Math.max(this.calculateConfidence(staticAnalysis), aiAnalysis.confidence),
          feedback: aiAnalysis.feedback || this.generatePersonalityFeedback(staticAnalysis, indicators),
          breakdown: staticAnalysis,
          aiAnalysis: aiAnalysis,
          targetPersonality: personalityName,
          indicators: indicators
        };
        
      } catch (error) {
        console.warn('Erreur validation LLM personnalité:', error.message);
      }
    }
    
    return {
      score: staticAnalysis.overallCoherence,
      confidence: this.calculateConfidence(staticAnalysis),
      feedback: this.generatePersonalityFeedback(staticAnalysis, indicators),
      breakdown: staticAnalysis,
      targetPersonality: targetPersonality.nom || targetPersonality,
      indicators: indicators
    };
  }
  
  /**
   * 🤖 VALIDATION LLM QUALITATIVE - ANALYSE STYLE PERSONNALITÉ IA
   * 
   * CE QUI EST TESTÉ :
   * ✅ Appel OpenAI avec profil complet personnalié en contexte
   * ✅ Évaluation 4 critères : vocabulaire, ton, structure, authenticité
   * ✅ Match qualitatif (good/medium/poor) + points forts/faibles
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Prompt enrichi avec profil complet (style, ton, vocabulaire, marqueurs)
   * - Demande JSON : score + match + strengths + weaknesses + feedback
   * - Parse robuste avec extraction regex JSON
   * - Clamp score [0,100] et confidence [0,1]
   */
  static async validatePersonalityWithLLM(content, personalityName, indicators) {
    const prompt = `
MISSION: Évalue si ce contenu correspond au style et à la personnalité de "${personalityName}".

PROFIL PERSONNALITÉ CIBLE - ${personalityName}:
- Style: ${indicators.style}
- Ton: ${indicators.tone}
- Structure: ${indicators.structure}
- Vocabulaire attendu: ${indicators.vocabulary.join(', ')}
- Marqueurs spécifiques: ${indicators.markers.join(', ')}

CONTENU À ANALYSER:
---
${content.substring(0, 1200)}${content.length > 1200 ? '...[TRONQUÉ]' : ''}
---

CRITÈRES D'ÉVALUATION:
1. VOCABULAIRE: Utilisation du vocabulaire spécialisé attendu
2. TON: Cohérence avec le ton caractéristique de la personnalité  
3. STRUCTURE: Alignement avec le style de rédaction
4. AUTHENTICITÉ: Le contenu sonne-t-il vraiment comme cette personnalité?

RÉPONSE JSON STRICTE:
{
  "score": 75,
  "personalityMatch": "good",
  "strengths": ["éléments bien alignés"],
  "weaknesses": ["éléments à améliorer"],  
  "feedback": "Analyse personnalisée en 2-3 phrases",
  "confidence": 0.8
}

SCORE: 0-100 (0=pas du tout cette personnalité, 100=parfaitement aligné)`;

    const response = await LLMManager.callLLM('openai', prompt, {
      temperature: 0.1,
      max_tokens: 400
    });
    
    try {
      // Parse JSON de la réponse
      let jsonStr = response.trim();
      const jsonMatch = jsonStr.match(/\{[\s\S]*\}/);
      if (jsonMatch) {
        jsonStr = jsonMatch[0];
      }
      
      const parsed = JSON.parse(jsonStr);
      
      return {
        score: Math.max(0, Math.min(100, parsed.score || 50)),
        match: parsed.personalityMatch || 'medium',
        strengths: parsed.strengths || [],
        weaknesses: parsed.weaknesses || [],
        feedback: parsed.feedback || 'Analyse non disponible',
        confidence: Math.max(0, Math.min(1, parsed.confidence || 0.5)),
        source: 'llm'
      };
      
    } catch (error) {
      console.warn('Erreur parsing réponse LLM personnalité:', error.message);
      return {
        score: 50,
        feedback: `Erreur parsing: ${error.message}`,
        confidence: 0.1,
        source: 'fallback'
      };
    }
  }
  
  /**
   * 📝 ANALYSE CORRESPONDANCE VOCABULAIRE - MATCHING LEXICAL
   * 
   * CE QUI EST TESTÉ :
   * ✅ Recherche mots-clés spécialisés personnalié dans contenu
   * ✅ Comptage occurrences avec pondération (10pts par occurrence)
   * ✅ Calcul densité vocabulaire spécialisé (pour 100 mots)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Regex search : new RegExp(word, 'g') pour chaque mot-clé
   * - Score = totalRelevance + density * 10 (max 100pts)
   * - Densité = matchCount / (totalWords / 100)
   * - Return : score + détail mots trouvés + densité
   */
  static analyzeVocabularyMatch(content, targetVocabulary) {
    const contentWords = this.extractSignificantWords(content);
    const contentLower = content.toLowerCase();
    
    let matchCount = 0;
    let totalRelevance = 0;
    const foundWords = [];
    
    targetVocabulary.forEach(word => {
      const occurrences = (contentLower.match(new RegExp(word, 'g')) || []).length;
      if (occurrences > 0) {
        matchCount += occurrences;
        foundWords.push({ word, count: occurrences });
        totalRelevance += occurrences * 10; // 10 points par occurrence
      }
    });
    
    // Score basé sur la densité de vocabulaire spécialisé
    const vocabularyDensity = matchCount / (contentWords.length / 100); // Pour 100 mots
    const score = Math.min(totalRelevance + vocabularyDensity * 10, 100);
    
    return {
      score: Math.round(score),
      matchCount,
      foundWords,
      density: vocabularyDensity
    };
  }
  
  /**
   * 🎵 ANALYSE COHÉRENCE TON - DÉTECTEUR REGISTRE LINGUISTIQUE
   * 
   * CE QUI EST TESTÉ :
   * ✅ Dictionnaire 6 tons : professionnel, inspirant, persuasif, direct, chaleureux, scientifique
   * ✅ Mots positifs/négatifs par ton avec pondération différentiée
   * ✅ Score = base(50) + positifs(+15 chacun) - négatifs(-10 chacun)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Lookup toneIndicators[targetTone] pour listes positive/negative
   * - Comptage regex occurrences : (contentLower.match(word, 'g') || []).length
   * - Scoring : positiveScore = count * 15, negativeScore = count * 10
   * - Final = Math.max(0, Math.min(100, 50 + positive - negative))
   */
  static analyzeToneConsistency(content, targetTone) {
    const toneIndicators = {
      'professionnel': {
        positive: ['recommandé', 'conseillé', 'expertise', 'spécialisé'],
        negative: ['super', 'génial', 'carrément', 'franchement']
      },
      'inspirant': {
        positive: ['créer', 'transformer', 'magnifier', 'sublimer', 'imaginer'],
        negative: ['technique', 'spécification', 'paramètre']
      },
      'persuasif': {
        positive: ['bénéficier', 'avantage', 'opportunité', 'maximiser'],
        negative: ['peut-être', 'probablement', 'incertain']
      },
      'direct': {
        positive: ['directement', 'simplement', 'clairement', 'concrètement'],
        negative: ['sophistiqué', 'complexe', 'nuancé']
      },
      'chaleureux': {
        positive: ['accueillant', 'convivial', 'chaleureux', 'bienveillant'],
        negative: ['froid', 'technique', 'rigide']
      },
      'scientifique': {
        positive: ['recherche', 'analyse', 'étude', 'développement'],
        negative: ['ressenti', 'intuition', 'approximatif']
      }
    };
    
    const indicators = toneIndicators[targetTone] || { positive: [], negative: [] };
    const contentLower = content.toLowerCase();
    
    let positiveScore = 0;
    let negativeScore = 0;
    
    indicators.positive.forEach(word => {
      const count = (contentLower.match(new RegExp(word, 'g')) || []).length;
      positiveScore += count * 15;
    });
    
    indicators.negative.forEach(word => {
      const count = (contentLower.match(new RegExp(word, 'g')) || []).length;
      negativeScore += count * 10;
    });
    
    const toneScore = Math.max(0, Math.min(100, 50 + positiveScore - negativeScore));
    
    return {
      score: Math.round(toneScore),
      positiveMatches: positiveScore / 15,
      negativeMatches: negativeScore / 10
    };
  }
  
  /**
   * 🏢 ANALYSE ALIGNEMENT STRUCTURE - PATTERNS ORGANISATIONNELS
   * 
   * CE QUI EST TESTÉ :
   * ✅ 4 structures : logique, descriptive, argumentative, narrative
   * ✅ Détection patterns spécifiques par structure (regex + comptages)
   * ✅ Scoring cumul selon présence éléments structurels
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Logique : listes numérotées(30pts) + connecteurs logiques(40pts) + flux méthodique(30pts)
   * - Descriptive : mots descriptifs(40pts) + structure fluide(30pts) + adverbes(5pts/mot, max 30)
   * - Argumentative : arguments(40pts) + contre-points(30pts) + conclusion(30pts)
   * - Narrative : éléments histoire(40pts) + touch personnelle(30pts) + marqueurs temporels(30pts)
   */
  static analyzeStructureAlignment(content, targetStructure) {
    const structureFeatures = {
      'logique': {
        check: content => {
          const hasNumberedList = /\d+\.\s/.test(content);
          const hasLogicalConnectors = /(donc|ainsi|par conséquent)/gi.test(content);
          const hasMethodicalFlow = /(premièrement|deuxièmement|enfin)/gi.test(content);
          
          return (hasNumberedList ? 30 : 0) + 
                 (hasLogicalConnectors ? 40 : 0) + 
                 (hasMethodicalFlow ? 30 : 0);
        }
      },
      'descriptive': {
        check: content => {
          const hasDescriptiveWords = /(élégant|beau|harmonieux|raffinement)/gi.test(content);
          const hasFlowingStructure = !/(1\.|2\.|3\.)/g.test(content);
          const hasAdjectives = (content.match(/\b\w+ment\b/g) || []).length;
          
          return (hasDescriptiveWords ? 40 : 0) + 
                 (hasFlowingStructure ? 30 : 0) + 
                 Math.min(hasAdjectives * 5, 30);
        }
      },
      'argumentative': {
        check: content => {
          const hasArguments = /(avantage|bénéfice|preuve|démontrer)/gi.test(content);
          const hasCounterpoints = /(cependant|néanmoins|mais)/gi.test(content);
          const hasConclusion = /(en conclusion|finalement|donc)/gi.test(content);
          
          return (hasArguments ? 40 : 0) + 
                 (hasCounterpoints ? 30 : 0) + 
                 (hasConclusion ? 30 : 0);
        }
      },
      'narrative': {
        check: content => {
          const hasStoryElements = /(histoire|tradition|expérience|passion)/gi.test(content);
          const hasPersonalTouch = /(nous|notre|mon|ma)/gi.test(content);
          const hasTemporalMarkers = /(depuis|aujourd'hui|maintenant)/gi.test(content);
          
          return (hasStoryElements ? 40 : 0) + 
                 (hasPersonalTouch ? 30 : 0) + 
                 (hasTemporalMarkers ? 30 : 0);
        }
      }
    };
    
    const feature = structureFeatures[targetStructure];
    const score = feature ? feature.check(content) : 50;
    
    return {
      score: Math.min(100, Math.round(score)),
      targetStructure
    };
  }
  
  /**
   * 🎯 ANALYSE PRÉSENCE MARQUEURS - DÉTECTEUR SIGNATURES
   * 
   * CE QUI EST TESTÉ :
   * ✅ Recherche expressions-signatures spécifiques personnalié
   * ✅ Comptage exact avec scoring linéaire (20pts par marqueur)
   * ✅ Bonus multiplicateur si plusieurs marqueurs (effet cumulatif)
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Search : contentLower.includes(marker.toLowerCase()) pour chaque
   * - Base scoring : foundMarkers * 20pts
   * - Bonus : if (foundMarkers > 1) totalScore += foundMarkers * 5
   * - Return : score + count + marqueurs détectés list
   */
  static analyzeMarkerPresence(content, targetMarkers) {
    const contentLower = content.toLowerCase();
    let foundMarkers = 0;
    let totalScore = 0;
    const detectedMarkers = [];
    
    targetMarkers.forEach(marker => {
      if (contentLower.includes(marker.toLowerCase())) {
        foundMarkers++;
        totalScore += 20; // 20 points par marqueur trouvé
        detectedMarkers.push(marker);
      }
    });
    
    // Bonus si plusieurs marqueurs présents
    if (foundMarkers > 1) {
      totalScore += foundMarkers * 5;
    }
    
    return {
      score: Math.min(100, totalScore),
      foundCount: foundMarkers,
      totalCount: targetMarkers.length,
      detectedMarkers
    };
  }
  
  /**
   * 📊 CALCUL CONFIANCE ÉVALUATION - MESURE COHÉRENCE INTERNE
   * 
   * CE QUI EST TESTÉ :
   * ✅ Variance des 4 scores métriques (vocabulaire, ton, structure, marqueurs)
   * ✅ Confidence inverse de dispersion (écart-type faible = confiance haute)
   * ✅ Normalisation [0.1, 1.0] pour éviter confiance zéro
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Calcul moyenne : mean = Σ(scores) / 4
   * - Variance : variance = Σ((score-mean)²) / 4
   * - Écart-type : stdDev = sqrt(variance)
   * - Confidence : Math.max(0.1, 1 - (stdDev / 50))
   * - Return arrondi à 2 décimales
   */
  static calculateConfidence(analysis) {
    // Confiance basée sur la cohérence des différents indicateurs
    const scores = [
      analysis.vocabularyMatch.score,
      analysis.toneConsistency.score,
      analysis.structureAlignment.score,
      analysis.markerPresence.score
    ];
    
    const mean = scores.reduce((a, b) => a + b) / scores.length;
    const variance = scores.reduce((sum, score) => sum + Math.pow(score - mean, 2), 0) / scores.length;
    const stdDev = Math.sqrt(variance);
    
    // Confiance élevée si peu de variance entre les scores
    const confidence = Math.max(0.1, 1 - (stdDev / 50));
    
    return Math.round(confidence * 100) / 100;
  }
  
  /**
   * 💬 GÉNÉRATION FEEDBACK PERSONNALISÉ - RAPPORT ADAPTÉ
   * 
   * CE QUI EST TESTÉ :
   * ✅ Évaluation seuil 70pts pour validation/amélioration par métrique
   * ✅ Messages contextualisés selon personnalité (vocabulaire, ton, etc.)
   * ✅ Feedback actionnable avec suggestions concrètes
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - If score >= 70 : message ✅ validation
   * - If score < 70 : message ⚠️ avec suggestions
   * - Join messages avec ' | ' pour format compact
   * - Intégration indicateurs.vocabulary/tone/style dans conseils
   */
  static generatePersonalityFeedback(analysis, indicators) {
    const feedback = [];
    
    if (analysis.vocabularyMatch.score >= 70) {
      feedback.push(`✅ Vocabulaire bien aligné avec le style ${indicators.style}`);
    } else {
      feedback.push(`⚠️ Vocabulaire à enrichir (mots-clés: ${indicators.vocabulary.join(', ')})`);
    }
    
    if (analysis.toneConsistency.score >= 70) {
      feedback.push(`✅ Ton ${indicators.tone} respecté`);
    } else {
      feedback.push(`⚠️ Ton à ajuster vers plus ${indicators.tone}`);
    }
    
    if (analysis.structureAlignment.score >= 70) {
      feedback.push(`✅ Structure ${indicators.structure} appropriée`);
    } else {
      feedback.push(`⚠️ Structure à adapter au style ${indicators.structure}`);
    }
    
    if (analysis.markerPresence.foundCount > 0) {
      feedback.push(`✅ ${analysis.markerPresence.foundCount} marqueur(s) spécifique(s) détecté(s)`);
    } else {
      feedback.push(`⚠️ Aucun marqueur spécifique détecté`);
    }
    
    return feedback.join(' | ');
  }
  
  /**
   * 🔢 UTILITAIRE EXTRACTION MOTS SIGNIFICATIFS - PARSER LEXICAL
   * 
   * CE QUI EST TESTÉ :
   * ✅ Nettoyage ponctuation et normalisation lowercase
   * ✅ Split sur espaces avec filtre longueur >3 chars
   * ✅ Exclusion mots courts (articles, prépositions) pour focus contenu
   * 
   * ALGORITHME EXÉCUTÉ :
   * - toLowerCase() pour normalisation
   * - replace(/[^\w\s]/g, ' ') pour supprimer ponctuation
   * - split(/\s+/) pour mots individuels
   * - filter(word => word.length > 3) pour significatifs
   */
  static extractSignificantWords(content) {
    return content
      .toLowerCase()
      .replace(/[^\w\s]/g, ' ')
      .split(/\s+/)
      .filter(word => word.length > 3);
  }
  
  /**
   * ⚡ VALIDATION RAPIDE - PRESET PERFORMANCE OPTIMISÉ
   * 
   * CE QUI EST TESTÉ :
   * ✅ Validation complète simplifiée sans LLM (plus rapide)
   * ✅ Classification 3 niveaux : GOOD(≥75), MODERATE(≥50), POOR(<50)
   * ✅ Recommandations automatiques selon faiblesses détectées
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - Appel validatePersonality() en mode statique only
   * - Classification par seuils : 75/50 pour GOOD/MODERATE/POOR
   * - Génération recommandations via generateRecommendations()
   * - Structure optimisée pour dashboard temps réel
   */
  static quickValidation(content, personality) {
    const validation = this.validatePersonality(content, personality);
    
    return {
      score: validation.score,
      level: validation.score >= 75 ? 'GOOD' : validation.score >= 50 ? 'MODERATE' : 'POOR',
      recommendations: this.generateRecommendations(validation),
      confidence: validation.confidence
    };
  }
  
  /**
   * 💡 GÉNÉRATION RECOMMANDATIONS AMÉLIORATION - CONSEILS AUTOMATIQUES
   * 
   * CE QUI EST TESTÉ :
   * ✅ Analyse scores <60 pour identifier défauts prioritaires
   * ✅ Recommandations spécifiques avec exemples concrets
   * ✅ Suggestions actionables adaptées à chaque métrique
   * 
   * ALGORITHMES EXÉCUTÉS :
   * - If vocabularyMatch<60 : suggère top-3 mots-clés à intégrer
   * - If toneConsistency<60 : conseil adaptation ton cible
   * - If structureAlignment<60 : guidance réorganisation
   * - If markerPresence=0 : propose top-2 marqueurs à utiliser
   * - Return array pour affichage UI
   */
  static generateRecommendations(validation) {
    const recs = [];
    
    if (validation.breakdown.vocabularyMatch.score < 60) {
      recs.push(`Intégrer plus de vocabulaire spécialisé: ${validation.indicators.vocabulary.slice(0, 3).join(', ')}`);
    }
    
    if (validation.breakdown.toneConsistency.score < 60) {
      recs.push(`Adapter le ton pour qu'il soit plus ${validation.indicators.tone}`);
    }
    
    if (validation.breakdown.structureAlignment.score < 60) {
      recs.push(`Réorganiser selon une structure plus ${validation.indicators.structure}`);
    }
    
    if (validation.breakdown.markerPresence.foundCount === 0) {
      recs.push(`Utiliser des marqueurs spécifiques: ${validation.indicators.markers.slice(0, 2).join(', ')}`);
    }
    
    return recs;
  }
}

module.exports = { PersonalityValidator };