Update app.py

app.py

@@ -1,288 +1,468 @@
-__import__('pysqlite3')
+# =====================================================
+# 1. FIX sqlite3 CHO CHROMA (pysqlite3 hack)
+# =====================================================
+__import__("pysqlite3")
 import sys
-sys.modules['sqlite3'] = sys.modules.pop('pysqlite3')
+sys.modules["sqlite3"] = sys.modules.pop("pysqlite3")
 
+# =====================================================
+# 2. IMPORTS
+# =====================================================
 import os
-import gradio as gr
+import logging
+import traceback
 
+import gradio as gr
 import pandas as pd
 import docx2txt
-from langchain_community.document_loaders import PyPDFLoader, TextLoader
-from langchain_core.documents import Document
 
-# --- IMPORT CÁC THƯ VIỆN ---
 from langchain_google_genai import ChatGoogleGenerativeAI
 from langchain_chroma import Chroma
-# Loaders cho nhiều định dạng
-from langchain_community.document_loaders import (
-    PyPDFLoader, 
-    DirectoryLoader, 
-    TextLoader, 
-    Docx2txtLoader, 
-    UnstructuredExcelLoader
-)
+
+from langchain_community.document_loaders import PyPDFLoader
 from langchain_text_splitters import RecursiveCharacterTextSplitter
 from langchain_community.retrievers import BM25Retriever
 from langchain.retrievers.ensemble import EnsembleRetriever
+
 from langchain.chains import create_retrieval_chain, create_history_aware_retriever
 from langchain.chains.combine_documents import create_stuff_documents_chain
+
 from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
 from langchain_core.messages import HumanMessage, AIMessage
 from langchain_core.documents import Document
+
 from langchain_huggingface import HuggingFaceEmbeddings
 
-# ==========================================
-# CẤU HÌNH
-# ==========================================
+
+# =====================================================
+# 3. CẤU HÌNH CHUNG
+# =====================================================
+
+# Lấy API key từ biến môi trường
 GOOGLE_API_KEY = os.getenv("GOOGLE_API_KEY")
-DATA_PATH = "medical_data"
-DB_PATH = "chroma_db"
-
-if not GOOGLE_API_KEY:
-    print("CẢNH BÁO: Chưa thiết lập GOOGLE_API_KEY!")
-
-# ==========================================
-# XỬ LÝ DỮ LIỆU ĐA ĐỊNH DẠNG (Cập nhật hỗ trợ .MD)
-# ==========================================
-def load_documents_from_folder(folder_path):
-    print(f"--- Bắt đầu quét thư mục: {folder_path} ---")
-    documents = []
-    
+
+DATA_PATH = "medical_data"   # thư mục chứa tài liệu
+DB_PATH = "chroma_db"        # thư mục chứa database Chroma
+
+# Số lượt đối thoại gần nhất gửi vào LLM (mỗi lượt gồm 1 user + 1 bot)
+MAX_HISTORY_TURNS = 6
+
+# Chọn chiến lược truy vấn:
+USE_BM25 = True   # True = dùng hybrid (BM25 + Vector), False = chỉ dùng Vector
+USE_MMR = True    # True = dùng MMR cho retriever vector
+
+# Logging cơ bản
+logging.basicConfig(
+    level=logging.INFO,
+    format="%(asctime)s [%(levelname)s] %(message)s",
+)
+
+
+# =====================================================
+# 4. HÀM LOAD TÀI LIỆU ĐA ĐỊNH DẠNG (PDF, DOCX, EXCEL, CSV, TXT, MD)
+# =====================================================
+
+def load_documents_from_folder(folder_path: str) -> list[Document]:
+    """
+    Quét thư mục (kể cả subfolder), đọc các file hỗ trợ và trả về list Document.
+    """
+    logging.info(f"--- Bắt đầu quét thư mục: {folder_path} ---")
+    documents: list[Document] = []
+
     if not os.path.exists(folder_path):
-        os.makedirs(folder_path)
+        os.makedirs(folder_path, exist_ok=True)
+        logging.warning(f"Thư mục {folder_path} chưa tồn tại. Đã tạo mới, tạm thời chưa có tài liệu.")
         return []
 
-    for filename in os.listdir(folder_path):
-        file_path = os.path.join(folder_path, filename)
-        filename_lower = filename.lower()
-        
-        try:
-            # 1. XỬ LÝ PDF
-            if filename_lower.endswith(".pdf"):
-                print(f"-> Đang xử lý PDF: {filename}")
-                loader = PyPDFLoader(file_path)
-                docs = loader.load()
-                documents.extend(docs)
-
-            # 2. XỬ LÝ WORD (.docx)
-            elif filename_lower.endswith(".docx"):
-                print(f"-> Đang xử lý Word: {filename}")
-                text = docx2txt.process(file_path)
-                if text.strip():
-                    doc = Document(page_content=text, metadata={"source": filename})
-                    documents.append(doc)
-                else:
-                    print(f"   Cảnh báo: File Word rỗng ({filename})")
-
-            # 3. XỬ LÝ EXCEL (.xlsx, .xls)
-            elif filename_lower.endswith(".xlsx") or filename_lower.endswith(".xls"):
-                print(f"-> Đang xử lý Excel: {filename}")
-                try:
-                    df = pd.read_excel(file_path)
-# Chuyển từng dòng thành dạng: "Tên cột: Giá trị. Tên cột: Giá tr���..."
-# Giúp AI hiểu ngữ cảnh của từng ô dữ liệu
-                    text_data = ""
-                    for index, row in df.iterrows():
-                        row_str = " | ".join([f"{col}: {val}" for col, val in row.items() if pd.notna(val)])
-                        text_data += row_str + "\n"
-                    
-                    if text_data.strip():
-                        doc = Document(page_content=text_data, metadata={"source": filename})
-                        documents.append(doc)
+    for root, _, files in os.walk(folder_path):
+        for filename in files:
+            file_path = os.path.join(root, filename)
+            filename_lower = filename.lower()
+
+            try:
+                # 1. PDF
+                if filename_lower.endswith(".pdf"):
+                    logging.info(f"-> Đang xử lý PDF: {file_path}")
+                    loader = PyPDFLoader(file_path)
+                    docs = loader.load()  # mỗi trang = 1 Document
+                    # Thêm metadata source gọn (chỉ tên file)
+                    for d in docs:
+                        d.metadata["source"] = filename
+                    documents.extend(docs)
+
+                # 2. DOCX
+                elif filename_lower.endswith(".docx"):
+                    logging.info(f"-> Đang xử lý Word: {file_path}")
+                    text = docx2txt.process(file_path)
+                    if text and text.strip():
+                        documents.append(
+                            Document(
+                                page_content=text,
+                                metadata={"source": filename}
+                            )
+                        )
                     else:
-                        print(f"   Cảnh báo: File Excel rỗng ({filename})")
-                except Exception as e:
-                    print(f"   Lỗi đọc Excel {filename}: {e}")
-
-            # 4. XỬ LÝ TEXT (.txt) VÀ MARKDOWN (.md) <--- ĐÃ CẬP NHẬT Ở ĐÂY
-            elif filename_lower.endswith(".txt") or filename_lower.endswith(".md"):
-                print(f"-> Đang xử lý Text/Markdown: {filename}")
-                text = ""
-                try:
-                    # Ưu tiên đọc UTF-8
-                    with open(file_path, "r", encoding="utf-8") as f:
-                        text = f.read()
-                except UnicodeDecodeError:
-                    # Nếu lỗi font, thử đọc Latin-1
-                    print(f"   Encoding UTF-8 thất bại, thử Latin-1...")
-                    with open(file_path, "r", encoding="latin-1") as f:
-                        text = f.read()
-                
-                if text.strip():
-                    doc = Document(page_content=text, metadata={"source": filename})
-                    documents.append(doc)
+                        logging.warning(f"File Word rỗng: {filename}")
 
-            else:
-                print(f"-> Bỏ qua file không hỗ trợ: {filename}")
+                # 3. EXCEL (XLS, XLSX)
+                elif filename_lower.endswith((".xlsx", ".xls")):
+                    logging.info(f"-> Đang xử lý Excel: {file_path}")
+                    try:
+                        df = pd.read_excel(file_path)
+                        text_data = ""
+                        for _, row in df.iterrows():
+                            row_str = " | ".join(
+                                f"{col}: {val}"
+                                for col, val in row.items()
+                                if pd.notna(val)
+                            )
+                            if row_str:
+                                text_data += row_str + "\n"
+                        if text_data.strip():
+                            documents.append(
+                                Document(
+                                    page_content=text_data,
+                                    metadata={"source": filename}
+                                )
+                            )
+                        else:
+                            logging.warning(f"File Excel rỗng: {filename}")
+                    except Exception as e:
+                        logging.error(f"Lỗi đọc Excel {filename}: {e}")
 
-        except Exception as e:
-            print(f"❌ LỖI NGHIÊM TRỌNG khi đọc file {filename}: {e}")
+                # 4. CSV
+                elif filename_lower.endswith(".csv"):
+                    logging.info(f"-> Đang xử lý CSV: {file_path}")
+                    try:
+                        df = pd.read_csv(file_path)
+                        text_data = ""
+                        for _, row in df.iterrows():
+                            row_str = " | ".join(
+                                f"{col}: {val}"
+                                for col, val in row.items()
+                                if pd.notna(val)
+                            )
+                            if row_str:
+                                text_data += row_str + "\n"
+                        if text_data.strip():
+                            documents.append(
+                                Document(
+                                    page_content=text_data,
+                                    metadata={"source": filename}
+                                )
+                            )
+                        else:
+                            logging.warning(f"File CSV rỗng: {filename}")
+                    except Exception as e:
+                        logging.error(f"Lỗi đọc CSV {filename}: {e}")
 
-    print(f"--- Hoàn tất! Tổng số tài liệu load được: {len(documents)} ---")
+                # 5. TEXT / MARKDOWN
+                elif filename_lower.endswith((".txt", ".md")):
+                    logging.info(f"-> Đang xử lý Text/Markdown: {file_path}")
+                    text = ""
+                    try:
+                        with open(file_path, "r", encoding="utf-8") as f:
+                            text = f.read()
+                    except UnicodeDecodeError:
+                        logging.warning(f"Encoding UTF-8 thất bại, thử Latin-1 cho {filename}")
+                        with open(file_path, "r", encoding="latin-1") as f:
+                            text = f.read()
+
+                    if text and text.strip():
+                        documents.append(
+                            Document(
+                                page_content=text,
+                                metadata={"source": filename}
+                            )
+                        )
+
+                else:
+                    logging.info(f"-> Bỏ qua file không hỗ trợ: {file_path}")
+
+            except Exception as e:
+                logging.error(f"❌ LỖI khi đọc file {filename}: {e}")
+                logging.debug(traceback.format_exc())
+
+    logging.info(f"--- Hoàn tất load tài liệu. Tổng số Document: {len(documents)} ---")
     return documents
 
-def get_retriever():
-    print("--- Đang tải model Embedding... ---")
-    embedding_model = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
 
-    splits = []
+# =====================================================
+# 5. XÂY DỰNG VECTORSTORE + RETRIEVER
+# =====================================================
+
+def build_vectorstore_and_corpus(embedding_model):
+    """
+    - Nếu đã có DB Chroma: load lên.
+    - Nếu chưa: đọc folder, split, tạo DB mới.
+    Trả về (vectorstore, splits).
+    """
+    from shutil import rmtree
+
+    splits: list[Document] = []
     vectorstore = None
-    
-    # 1. Kiểm tra DB cũ
+
+    # TH1: có DB cũ
     if os.path.exists(DB_PATH) and os.listdir(DB_PATH):
         try:
-            print("--- Tìm thấy Database cũ, đang tải lên... ---")
-            vectorstore = Chroma(persist_directory=DB_PATH, embedding_function=embedding_model)
-            
-            # Lấy dữ liệu để tái tạo BM25 (Keyword Search)
-            existing_data = vectorstore.get()
-            if existing_data['documents']:
-                for text, meta in zip(existing_data['documents'], existing_data['metadatas']):
+            logging.info("--- Tìm thấy ChromaDB cũ, đang load... ---")
+            vectorstore = Chroma(
+                persist_directory=DB_PATH,
+                embedding_function=embedding_model
+            )
+            existing = vectorstore.get()
+            if existing.get("documents"):
+                for text, meta in zip(existing["documents"], existing["metadatas"]):
                     splits.append(Document(page_content=text, metadata=meta))
+                logging.info(f"Tải lại corpus từ DB, tổng số chunk: {len(splits)}")
             else:
-                print("Cảnh báo: Database rỗng.")
+                logging.warning("ChromaDB không chứa documents. Sẽ rebuild.")
+                splits = []
         except Exception as e:
-            print(f"Lỗi đọc DB cũ: {e}")
+            logging.error(f"Lỗi đọc DB cũ: {e}. Xóa và rebuild lại.")
+            logging.debug(traceback.format_exc())
+            rmtree(DB_PATH, ignore_errors=True)
+            splits = []
+            vectorstore = None
 
-    # 2. Nếu chưa có dữ liệu (splits rỗng), đọc từ file gốc
+    # TH2: chưa có dữ liệu trong splits → đọc file gốc, split và tạo DB mới
     if not splits:
-        print("--- Chưa có dữ liệu index, bắt đầu đọc file nguồn... ---")
+        logging.info("--- Đang đọc tài liệu gốc để tạo index mới... ---")
         documents = load_documents_from_folder(DATA_PATH)
-        
         if not documents:
-            print("Lỗi: Không tìm thấy tài liệu nào (PDF, DOCX, TXT...) trong thư mục medical_data.")
-            return None
+            logging.error("Không tìm thấy tài liệu nào trong thư mục medical_data.")
+            return None, []
 
-        text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
+        # Chunking
+        text_splitter = RecursiveCharacterTextSplitter(
+            chunk_size=800,     # nhỏ hơn cho câu trả lời cụ thể hơn
+            chunk_overlap=150
+        )
         splits = text_splitter.split_documents(documents)
+        logging.info(f"Đã split thành {len(splits)} chunks.")
 
-        print(f"--- Đang mã hóa {len(splits)} đoạn văn bản vào ChromaDB... ---")
+        # Tạo Chroma mới
+        logging.info("--- Đang mã hoá embedding vào ChromaDB... ---")
         vectorstore = Chroma.from_documents(
-            documents=splits, 
-            embedding=embedding_model, 
+            documents=splits,
+            embedding=embedding_model,
             persist_directory=DB_PATH
         )
 
-    # 3. Tạo Hybrid Search (BM25 + Vector)
-    if not splits: return None
+    return vectorstore, splits
+
+
+def get_retriever():
+    """
+    Khởi tạo retriever:
+    - Load hoặc tạo ChromaDB.
+    - Tuỳ cấu hình: dùng hybrid (BM25 + Vector) hoặc chỉ Vector.
+    - Có thể dùng MMR để tăng đa dạng context.
+    """
+    logging.info("--- Đang tải model Embedding (HuggingFace) ---")
+    embedding_model = HuggingFaceEmbeddings(
+        model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
+    )
+
+    vectorstore, splits = build_vectorstore_and_corpus(embedding_model)
+    if vectorstore is None or not splits:
+        logging.error("Không thể khởi tạo retriever vì không có dữ liệu.")
+        return None
+
+    # Vector retriever (có thể dùng MMR)
+    if USE_MMR:
+        logging.info("Sử dụng Vector Retriever với MMR.")
+        chroma_retriever = vectorstore.as_retriever(
+            search_type="mmr",
+            search_kwargs={"k": 8, "lambda_mult": 0.7}
+        )
+    else:
+        logging.info("Sử dụng Vector Retriever với similarity search.")
+        chroma_retriever = vectorstore.as_retriever(
+            search_kwargs={"k": 8}
+        )
 
+    # Nếu không muốn dùng BM25 -> trả về luôn retriever vector
+    if not USE_BM25:
+        logging.info("Chỉ dùng retriever Vector (không dùng BM25).")
+        return chroma_retriever
+
+    # Tạo BM25 retriever từ corpus
+    logging.info("Khởi tạo BM25 Retriever từ corpus (hybrid search).")
     bm25_retriever = BM25Retriever.from_documents(splits)
-    bm25_retriever.k = 5
-    chroma_retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
+    bm25_retriever.k = 8
 
+    # Ensemble retriever: BM25 + Vector
     ensemble_retriever = EnsembleRetriever(
         retrievers=[bm25_retriever, chroma_retriever],
         weights=[0.4, 0.6]
     )
+    logging.info("Đã khởi tạo Ensemble Retriever (BM25 + Vector).")
     return ensemble_retriever
 
-# ==========================================
-# LOGIC CHATBOT THÔNG MINH (CÓ NHỚ)
-# ==========================================
-rag_chain = None
 
-def init_chatbot():
-    global rag_chain
-    retriever = get_retriever()
-    if not retriever: return False
+# =====================================================
+# 6. LỚP CHATBOT DEEPMED
+# =====================================================
 
-    llm = ChatGoogleGenerativeAI(
-        model="gemini-2.5-flash", 
-        temperature=0.3,
-        google_api_key=GOOGLE_API_KEY
-    )
+class DeepMedBot:
+    def __init__(self):
+        self.retriever = None
+        self.rag_chain = None
+        self.ready = False
+
+        if not GOOGLE_API_KEY:
+            logging.error("GOOGLE_API_KEY chưa được thiết lập trong biến môi trường.")
+            return
+
+        try:
+            self.retriever = get_retriever()
+            if self.retriever is None:
+                logging.error("Không khởi tạo được retriever.")
+                return
+
+            self.llm = ChatGoogleGenerativeAI(
+                model="gemini-2.5-flash",   # có thể đổi sang model mạnh hơn nếu muốn
+                temperature=0.3,
+                google_api_key=GOOGLE_API_KEY
+            )
+            self._build_chains()
+            self.ready = True
+            logging.info("--- DeepMedBot đã sẵn sàng ---")
+        except Exception as e:
+            logging.error(f"Lỗi khởi tạo DeepMedBot: {e}")
+            logging.debug(traceback.format_exc())
+            self.ready = False
+
+    def _build_chains(self):
+        # 1. Prompt contextualize question
+        contextualize_q_system_prompt = (
+            "Dựa trên lịch sử trò chuyện và câu hỏi mới nhất của người dùng, "
+            "nếu câu hỏi liên quan đến ngữ cảnh trước đó, hãy viết lại nó thành một câu hỏi độc lập đầy đủ ý nghĩa. "
+            "Nếu không liên quan, giữ nguyên câu hỏi gốc. KHÔNG trả lời câu hỏi, chỉ viết lại."
+        )
+        contextualize_q_prompt = ChatPromptTemplate.from_messages([
+            ("system", contextualize_q_system_prompt),
+            MessagesPlaceholder("chat_history"),
+            ("human", "{input}"),
+        ])
+
+        history_aware_retriever = create_history_aware_retriever(
+            self.llm, self.retriever, contextualize_q_prompt
+        )
+
+        # 2. Prompt trả lời y khoa an toàn
+        qa_system_prompt = (
+            "Bạn là trợ lý y tế DeepMed. Bạn hỗ trợ giải thích thông tin y khoa dựa trên tài liệu được cung cấp (Context) "
+            "và kiến thức y khoa chung của bạn.\n\n"
+            "QUY TẮC AN TOÀN:\n"
+            "- Nếu Context không đủ để trả lời chính xác, hãy nói bạn không chắc chắn và khuyên người dùng hỏi bác sĩ.\n"
+            "- Ưu tiên sử dụng thông tin trong Context. Nếu có mâu thuẫn giữa Context và hiểu biết của bạn, "
+            "hãy nói rõ và khuyên tham khảo nguồn chính thống mới nhất.\n\n"
+            "CÁCH TRẢ LỜI:\n"
+            "- Trả lời ngắn gọn, dễ hiểu.\n"
+            "- Nếu phù hợp, chia câu trả lời thành các mục: Tóm tắt, Chi tiết, Lưu ý.\n\n"
+            "Context:\n{context}"
+        )
+
+        qa_prompt = ChatPromptTemplate.from_messages([
+            ("system", qa_system_prompt),
+            MessagesPlaceholder("chat_history"),
+            ("human", "{input}"),
+        ])
+
+        question_answer_chain = create_stuff_documents_chain(self.llm, qa_prompt)
+
+        # 3. Gộp thành RAG chain
+        self.rag_chain = create_retrieval_chain(
+            history_aware_retriever,
+            question_answer_chain
+        )
+
+    def chat(self, message: str, history: list[list[str]]):
+        """
+        Hàm dùng cho Gradio:
+        - history: list[[user_msg, bot_msg], ...]
+        """
+        if not self.ready:
+            return "❗ Hệ thống chưa sẵn sàng. Vui lòng kiểm tra lại API key và dữ liệu (medical_data)."
+
+        # Giới hạn lịch sử gửi vào LLM cho đỡ nặng
+        if len(history) > MAX_HISTORY_TURNS:
+            history = history[-MAX_HISTORY_TURNS:]
+
+        # Chuyển lịch sử Gradio sang LangChain messages
+        chat_history = []
+        for user_msg, bot_msg in history:
+            chat_history.append(HumanMessage(content=user_msg))
+            chat_history.append(AIMessage(content=bot_msg))
+
+        try:
+            response = self.rag_chain.invoke({
+                "input": message,
+                "chat_history": chat_history
+            })
+
+            answer = response.get("answer", "")
+
+            # Xử lý trích dẫn nguồn
+            references_text = self._build_references_text(response)
+            if references_text:
+                answer += "\n\n---\n📚 **Tài liệu tham khảo:**\n" + references_text
+
+            return answer
+
+        except Exception as e:
+            logging.error(f"Lỗi khi xử lý chat: {e}")
+            logging.debug(traceback.format_exc())
+            return "🤖 Xin lỗi, hệ thống gặp lỗi nội bộ. Bạn hãy thử lại sau ít phút."
+
+    @staticmethod
+    def _build_references_text(response) -> str:
+        """
+        Gom nguồn trích dẫn:
+        - Gộp theo tên file.
+        - Nếu có số trang, liệt kê danh sách trang.
+        """
+        from collections import defaultdict
+        if "context" not in response:
+            return ""
+
+        source_pages = defaultdict(set)  # {source_name: {page1, page2, ...}}
+
+        for doc in response["context"]:
+            src = os.path.basename(doc.metadata.get("source", "Tài liệu không tên"))
+            page = doc.metadata.get("page", None)
+            if page is not None:
+                source_pages[src].add(page + 1)
+            else:
+                # Đảm bảo vẫn tạo key nếu chưa có trang
+                _ = source_pages[src]
+
+        lines = []
+        for src, pages in source_pages.items():
+            if pages:
+                pages_str = ", ".join(str(p) for p in sorted(pages))
+                lines.append(f"- {src} (Trang {pages_str})")
+            else:
+                lines.append(f"- {src}")
+
+        return "\n".join(lines)
+
+
+
+bot = DeepMedBot()
+
+def gradio_chat(message, history):
+    return bot.chat(message, history)
 
-    # --- BƯỚC 1: Contextualize Question ---
-    # (Viết lại câu hỏi mới dựa trên lịch sử để AI hiểu context)
-    contextualize_q_system_prompt = (
-        "Dựa trên lịch sử trò chuyện và câu hỏi mới nhất của người dùng, "
-        "nếu câu hỏi liên quan đến ngữ cảnh trước đó, hãy viết lại nó thành một câu hỏi độc lập đầy đủ ý nghĩa. "
-        "Nếu không liên quan, giữ nguyên câu hỏi gốc. KHÔNG trả lời câu hỏi, chỉ viết lại thôi."
-    )
-    contextualize_q_prompt = ChatPromptTemplate.from_messages([
-        ("system", contextualize_q_system_prompt),
-        MessagesPlaceholder("chat_history"),
-        ("human", "{input}"),
-    ])
-    # Retriever biết nhớ lịch sử
-    history_aware_retriever = create_history_aware_retriever(
-        llm, retriever, contextualize_q_prompt
-    )
 
-    # --- BƯỚC 2: Answer Question ---
-    # (Trả lời dựa trên Documents tìm được)
-    qa_system_prompt = (
-        "Bạn là trợ lý y tế DeepMed. Sử dụng các đoạn văn bản được cung cấp (Context) để trả lời câu hỏi. "
-        "Nếu không biết, hãy nói không biết. Nếu tìm thấy nội dung trả lời hãy trích dẫn tài liệu. Giữ câu trả lời ngắn gọn, súc tích.\n\n"
-        "Context:\n{context}"
-    )
-    qa_prompt = ChatPromptTemplate.from_messages([
-        ("system", qa_system_prompt),
-        MessagesPlaceholder("chat_history"),
-        ("human", "{input}"),
-    ])
-    
-    question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)
-    
-    # Kết hợp lại thành chuỗi RAG hoàn chỉnh
-    rag_chain = create_retrieval_chain(history_aware_retriever, question_answer_chain)
-    
-    print("--- Chatbot đã sẵn sàng! ---")
-    return True
-
-init_success = init_chatbot()
-
-# ==========================================
-# HÀM CHAT (Xử lý Lịch sử & Trích dẫn)
-# ==========================================
-def chat(message, history):
-    if not init_success:
-        return "Hệ thống chưa sẵn sàng. Kiểm tra lại data và API Key."
-    
-    # 1. Chuyển đổi lịch sử Gradio sang format LangChain
-    chat_history = []
-    for user_msg, bot_msg in history:
-        chat_history.append(HumanMessage(content=user_msg))
-        chat_history.append(AIMessage(content=bot_msg))
-    
-    try:
-        # 2. Gọi Chain xử lý
-        response = rag_chain.invoke({
-            "input": message,
-            "chat_history": chat_history
-        })
-        
-        answer = response["answer"]
-        
-        # 3. Xử lý Trích dẫn nguồn (References)
-        sources = set()
-        if "context" in response:
-            for doc in response["context"]:
-                source_name = doc.metadata.get("source", "Tài liệu không tên")
-                page_num = doc.metadata.get("page", None)
-                
-                # Format tên file cho gọn (bỏ đường dẫn)
-                source_name = os.path.basename(source_name)
-                
-                if page_num is not None:
-                    sources.add(f"{source_name} (Trang {page_num + 1})")
-                else:
-                    sources.add(source_name)
-        
-        if sources:
-            answer += "\n\n---\n📚 **Tài liệu tham khảo:**\n" + "\n".join([f"- {s}" for s in sources])
-            
-        return answer
-        
-    except Exception as e:
-        return f"Lỗi hệ thống: {str(e)}"
-
-# ==========================================
-# GIAO DIỆN
-# ==========================================
 demo = gr.ChatInterface(
-    fn=chat,
-    title="🏥 DeepMed AI Pro - Trợ lý Y khoa Đa tài liệu", 
+    fn=gradio_chat,
+    title="🏥 DeepMed AI Pro - Trợ lý Y tế tại Trung Tâm Y Tế khu vực Thanh Ba",
+    description=(
+        "Chatbot hỗ trợ tra cứu thông tin y khoa từ kho tài liệu nội bộ.\n"
+    ),
 )
 
 if __name__ == "__main__":