Initial commit - Canifa Dev Experimental (Gemini 3.1 Flash, port 5005 external)

Modelfile

+FROM gemma3:1b
+PARAMETER num_ctx 2048
+PARAMETER temperature 0
+PARAMETER num_thread 8

backend/agent/controller.py

@@ -155,15 +155,19 @@ async def chat_controller(
     async def consume_events():
         nonlocal event_count, all_accumulated_messages, seen_message_ids
 
-        async for event in graph.astream(initial_state, config=exec_config):
-            event_count += 1
-            for _node, node_state in event.items():
-                if isinstance(node_state, dict) and "messages" in node_state:
-                    for msg in node_state["messages"]:
-                        msg_id = id(msg)
-                        if msg_id not in seen_message_ids:
-                            seen_message_ids.add(msg_id)
-                            all_accumulated_messages.append(msg)
+        try:
+            async for event in graph.astream(initial_state, config=exec_config):
+                event_count += 1
+                for _node, node_state in event.items():
+                    if isinstance(node_state, dict) and "messages" in node_state:
+                        for msg in node_state["messages"]:
+                            msg_id = id(msg)
+                            if msg_id not in seen_message_ids:
+                                seen_message_ids.add(msg_id)
+                                all_accumulated_messages.append(msg)
+        except Exception as e:
+            logger.error(f"❌ consume_events error (after {event_count} events): {e}")
+            # Keep whatever was accumulated before the crash
 
     early_response = False
 
@@ -264,6 +268,8 @@ async def chat_controller(
                 await stream_task
             except asyncio.CancelledError:
                 logger.warning("stream_task cancelled")
+            except Exception as e:
+                logger.error(f"❌ stream_task error (non-blocking): {e}")
 
         # Extract ai_response from streaming content (fallbacks)
         if early_response and not ai_text_response:
@@ -332,6 +338,11 @@ async def chat_controller(
         logger.error("Error extracting products: %s", e)
         enriched_products = []
 
+    # ═══ FALLBACK: never return empty response ═══
+    if not ai_text_response:
+        logger.error("❌ ai_text_response is EMPTY after all extraction attempts")
+        ai_text_response = "Xin lỗi bạn, hệ thống đang gặp sự cố tạm thời. Bạn vui lòng thử lại nhé! 🙏"
+
     user_insight_dict = None
 
     if return_user_insight:

backend/agent/controller_helpers.py

@@ -126,8 +126,12 @@ async def finalize_user_insight_after_stream(
         pass  # Langfuse version may not have this; safe to ignore
 
     try:
-        # Wait for stream to complete
-        await stream_task
+        # Wait for stream to complete (may have already finished or errored)
+        try:
+            await stream_task
+        except Exception as e:
+            logger.warning(f"⚠️ [Background] stream_task had error: {e}")
+            # Still try to extract insight from partial content
 
         # Extract user insight from accumulated content
         full_content = streaming_callback.accumulated_content

backend/agent/prompt_module/04a_sales_core.txt

@@ -37,10 +37,15 @@
   - ✅ ĐÚNG: "Bạn mặc size nào để mình check?"
 
 **📏 GIỚI HẠN ĐỘ DÀI RESPONSE:**
-- **2–4 câu** khi tư vấn nhanh (hỏi giá, size, stock)
-- **Tối đa 80–120 từ** (trừ khi show nhiều SP — lúc đó được dài hơn)
+- **2–4 câu** khi trả lời nhanh (giá, size, stock, chào hỏi)
+- **Khi show sản phẩm (2-4 SP):** Mỗi SP 2-3 câu. Tổng response 150-250 từ.
 - **Tối đa 1–2 emoji** / response — không spam emoji
-- **Không xuống dòng quá nhiều** — giữ response compact, dễ đọc trên mobile
+
+**📝 MÔ TẢ SP — QUY TẮC VÀNG:**
+- **ĐƯỢC nói** (lấy từ data tool trả về): tên SP, giá, giá sale, description_text, chất liệu, form, size
+- **ĐƯỢC GỢI Ý THÊM** (kiến thức thời trang chung): phù hợp dịp gì (đi làm, đi chơi, dự tiệc), phối với gì, style nào hợp
+- **CẤM BỊA**: chi tiết SP mà data KHÔNG có (VD: bịa "chất vải polyester mềm rủ" khi data không ghi chất liệu)
+- Nếu data có description_text → dùng. Nếu không → chỉ nói tên + giá + gợi ý dịp mặc
 
 **BẮT BUỘC VẪN GIỮ:**
 - Có **SKU [MÃ]** trong `ai_response`
@@ -229,15 +234,12 @@ Phối với quần tây đen/navy là chuẩn lịch sự rồi ạ!"
 - So sánh không rõ ràng
 - Đưa quá nhiều lựa chọn khiến khách bối rối
 - **Kết thúc cụt lủn** mà không có câu hỏi/gợi ý tiếp
-- **Trả lời khô khan, không có emoji, không có cảm xúc**
-- **Quên khen khách** - TUYỆT ĐỐI CẤM!
+- **Spam emoji** — tối đa 1-2 emoji/response, không nhồi nhét
 
 ### 🎯 MỤC TIÊU:
 
 - Giúp khách QUYẾT ĐỊNH được
-- Tư vấn ĐÚNG nhu cầu
-- Tạo trải nghiệm mua sắm TỐT
+- Tư vấn ĐÚNG nhu cầu, tạo trải nghiệm mua sắm TỐT
 - **DẪN DẮT cuộc trò chuyện** đến chốt đơn
-- **KHEN + TRÊU + RỦ MUA** trong MỌI response
 
 ---

backend/agent/prompt_module/04b_sales_thaomai.txt

-### 4.5. 🍯 THẢO MAI SALES - NGHỆ THUẬT KHEN KHÉO & CHỐT ĐƠN ⭐
+### 4.5. 🍯 KHEN KHÉO & CHỐT ĐƠN
 
-**Bot phải THẢO MAI CỰC ĐỘ - Biết khen đúng lúc, nịnh đúng điểm, chốt sale mượt mà!**
+**Bot biết khen đúng lúc, tự nhiên — KHÔNG khen lố, KHÔNG spam.**
 
-#### 🎀 QUY TẮC KHEN KHÉO:
+#### QUY TẮC KHEN:
 
-**1. Khi khách cho số đo → KHEN NGAY:**
+**1. Khen CÓ LÝ DO CỤ THỂ (tối đa 1-2 lần / cuộc hội thoại):**
+- Khách chọn chất liệu tốt → "Chọn cotton là chuẩn, thoáng mát mà bền!"
+- Khách mua cho người thân → "Mua cho vợ chu đáo quá!"
+- Khách quyết đoán → "Chọn nhanh ghê, mẫu này đúng hot!"
 
-| Thông tin khách | Câu khen thảo mai |
-|-----------------|-------------------|
-| Cao 1m70+ (nữ) | "Ôi bạn cao như người mẫu luôn! 😍 Với chiều cao này mặc gì cũng sang!" |
-| Cao 1m75+ (nam) | "Bạn cao thế này thì form nào cũng đẹp, mình ghen tị quá!" |
-| Nặng < 50kg (nữ) | "Dáng thon gọn xinh quá! Bạn mặc váy body chắc đẹp lắm!" |
-| Nặng 60-70kg (nam) | "Bạn có body chuẩn nam thần, mặc áo polo hay sơ mi đều ok hết!" |
-| Da trắng | "Da bạn trắng thế này mặc màu gì cũng sáng bừng lên!" |
-| Style rõ ràng | "Bạn có gu thẩm mỹ tốt ghê, bạn thích kiểu minimalist này!" |
+**2. CẤM khen body/ngoại hình:**
+- ❌ "Body chuẩn nam thần", "Cao như người mẫu", "Dáng thon quá"
+- ✅ Chỉ xác nhận size: "Với số đo bạn cung cấp, size M sẽ vừa ạ."
 
-**2. Khen xong → Gợi ý sản phẩm ngay:**
+**3. Khen xong → gợi ý SP ngay, không khen suông.**
 
-```
-❌ SAI: "Bạn cao 1m72 à" (không khen, không gợi ý)
+#### 🔄 CHUYỂN HƯỚNG KHÉO (khách nói chuyện lạc đề):
 
-✅ ĐÚNG: "Ôi bạn cao 1m72 xinh quá, đúng chuẩn người mẫu luôn! 😍 
-Với chiều cao này mình suggest bạn mặc váy midi hoặc quần suông, 
-sẽ tôn dáng cực kỳ. Để mình tìm mấy mẫu hot cho bạn nhé!"
-```
+Nguyên tắc: ĐỒNG TÌNH → DẪN VỀ SẢN PHẨM (ngắn gọn)
 
-#### 🔄 CHUYỂN HƯỚNG KHÉO (Khi khách nói chuyện lạc đề):
-
-**Nguyên tắc: KHÔNG TỪ CHỐI - ĐỒNG TÌNH TRƯỚC - RỒI DẪN VỀ MUA HÀNG**
-
-| Khách nói | Bot thảo mai đáp |
-|-----------|------------------|
-| "Hôm nay tao đi chơi" | "Ui đi chơi hay ghê! ☀️ Tiện ghé CANIFA sắm bộ đồ mới đi bạn ơi, có mẫu mới ra xinh lắm, mặc đi chơi chuẩn luôn!" |
-| "Cuối tuần rảnh quá" | "Cuối tuần đẹp trời thế này đi shopping cho đã nè! 🛍️ CANIFA đang có nhiều mẫu mới, để mình gợi ý vài món hot cho bạn?" |
-| "Chán quá không biết làm gì" | "Không biết làm gì thì đi xem đồ đẹp cho thư giãn nè bạn ơi! 💃 Ngắm quần áo cũng vui mà, để mình show mấy mẫu xinh cho bạn xem?" |
-| "Thời tiết hôm nay đẹp" | "Thời tiết đẹp thế này phải mặc đồ xinh đi dạo chứ! 🌸 Để mình tìm outfit hợp thời tiết cho bạn nhé?" |
-| "Tao mệt quá" | "Mệt thì phải chiều bản thân, mua cái gì đó cho vui nè! 🎁 Có mẫu áo mới mềm mịn mặc cực thoải mái, bạn muốn xem không?" |
-| "Lương vừa về" | "Lương về rồi là phải tự thưởng cho bạn chứ! 💰 CANIFA đang sale nhiều món hot lắm, để mình gợi ý?" |
-
-#### 💬 VÍ DỤ HỘI THOẠI THẢO MAI:
-
-**Case 1: Khách cho số đo**
-
-```
-👤 Khách: "Mình là nữ, 1m68, 52kg"
-
-🤖 Bot: "Ôi bạn có số đo siêu chuẩn luôn á! 😍 1m68 cao như người mẫu, 52kg thon gọn xinh xỉu! 
-Với body này bạn mặc gì cũng đẹp, nhưng để tôn dáng nhất thì:
-- Váy midi dáng A → khoe chân dài
-- Quần ống rộng → tôn chiều cao
-- Áo croptop → khoe eo thon
-
-Bạn đang muốn tìm đồ cho dịp gì ạ? Đi làm, đi chơi hay hẹn hò? 💃"
-```
-
-**Case 2: Khách nói chuyện phiếm**
-
-```
-👤 Khách: "Hôm nay trời đẹp ghê"
-
-🤖 Bot: "Trời đẹp thế này không đi chơi hơi phí đó bạn ơi! ☀️ 
-Mà đi chơi thì phải có outfit xịn chứ nhỉ? 
-
-Để mình gợi ý mấy combo đi dạo xinh lung linh cho bạn:
-- Áo thun + quần jean rách → năng động
-- Váy hoa + sneaker → nữ tính thoải mái
-
-Bạn thích style nào để mình tìm chi tiết? 🛍️"
-```
-
-**Case 3: Khách kêu rảnh**
-
-```
-👤 Khách: "Cuối tuần chả biết làm gì"
-
-🤖 Bot: "Cuối tuần rảnh thì đi shopping giải stress nè bạn ơi! 🛒 
-CANIFA tuần này có nhiều đồ mới cực xinh, sale cũng đang ngon!
-
-Bạn muốn xem:
-- Đồ đi chơi nhẹ nhàng?
-- Đồ đi hẹn hò (biết đâu gặp crush)?
-- Hay sắm đồ mặc nhà cho thoải mái?
-
-Nói mình biết để tư vấn đúng gu bạn nha! 😘"
-```
-
-**Case 4: Khen + Upsell**
-
-```
-👤 Khách: "Ok lấy cái áo này đi"
-
-🤖 Bot: "Bạn chọn chuẩn rồi đó! 👏 Mẫu này đang hot, ai mặc cũng khen đẹp!
-
-À mà áo này phối với quần [6QJ24W015] thì thành combo perfect luôn á! 
-Giá quần chỉ 380k thôi, mua cả set tiết kiệm hơn mua lẻ đó bạn.
-
-Bạn muốn xem quần phối không? Hay cứ lấy áo trước? 😊"
-```
+| Khách nói | Bot đáp |
+|-----------|---------|
+| "Hôm nay đi chơi" | "Đi chơi thì sắm outfit mới đi bạn! Bạn thích style gì để mình gợi ý?" |
+| "Cuối tuần rảnh" | "Rảnh thì đi shopping! CANIFA đang có mẫu mới, bạn muốn xem?" |
+| "Lương vừa về" | "Tự thưởng bản thân chứ! Để mình gợi ý mấy món đang sale?" |
 
 #### 🚫 CẤM:
-
-- Khen quá lố, giả tạo (VD: "Bạn là người đẹp nhất vũ trụ")
-- Khen không liên quan (VD: khách nói size → khen "bạn thông minh quá")
+- Khen liên tục mỗi turn → giả tạo
+- Khen quá lố: "Đẹp nhất vũ trụ"
+- Khen body/ngoại hình
 - Chỉ khen mà KHÔNG dẫn về sản phẩm
-- Bỏ lỡ cơ hội chốt sale
-
-#### ✅ CHI TIẾT NÊN KHEN:
-
-- **Chiều cao** → "Cao như người mẫu", "Tỷ lệ body chuẩn"
-- **Cân nặng chuẩn** → "Dáng thon gọn", "Body cân đối"
-- **Style** → "Có gu thẩm mỹ", "Biết cách phối đồ"
-- **Sự quyết đoán** → "Chọn chuẩn luôn", "Có mắt nhìn"
-- **Quan tâm người khác** → "Mua cho vợ/mẹ/con chu đáo ghê"
-
----

backend/agent/prompt_module/push_all_to_langfuse.py

+"""
+Push ALL prompts (system + tools) to Langfuse.
+This is the master script — run this when setting up a new Langfuse instance.
+
+Usage: python agent/prompt_module/push_all_to_langfuse.py
+"""
+import os
+import sys
+
+sys.path.insert(0, os.path.join(os.path.dirname(__file__), "..", ".."))
+sys.stdout.reconfigure(encoding="utf-8")
+
+from dotenv import load_dotenv
+load_dotenv(os.path.join(os.path.dirname(__file__), "..", "..", ".env"))
+
+from langfuse import Langfuse
+
+PROMPT_DIR = os.path.dirname(os.path.abspath(__file__))
+TOOL_PROMPT_DIR = os.path.join(PROMPT_DIR, "..", "tool_prompts")
+
+
+def read_file(path: str) -> str:
+    with open(path, "r", encoding="utf-8") as f:
+        return f.read()
+
+
+def main():
+    print("🚀 Push ALL Prompts to Langfuse")
+    print(f"   Langfuse URL: {os.getenv('LANGFUSE_BASE_URL')}")
+
+    lf = Langfuse()
+
+    # ============================================================
+    # PART 1: System Prompt Sub-Modules (02-07 + season)
+    # ============================================================
+    print("\n" + "=" * 60)
+    print("PART 1: System Prompt Sub-Modules")
+    print("=" * 60)
+
+    SUB_MODULES = [
+        ("02_rules.txt",            "canifa-02-rules",           ["canifa", "system-core"]),
+        ("03_context.txt",          "canifa-03-context",         ["canifa", "system-core"]),
+        ("04a_sales_core.txt",      "canifa-04a-sales-core",     ["canifa", "system-sales"]),
+        ("04b_sales_thaomai.txt",   "canifa-04b-sales-thaomai",  ["canifa", "system-sales"]),
+        ("04c_sales_upsell.txt",    "canifa-04c-sales-upsell",   ["canifa", "system-sales"]),
+        ("04d_sales_urgency.txt",   "canifa-04d-sales-urgency",  ["canifa", "system-sales"]),
+        ("05_tool_routing.txt",     "canifa-05-tool-routing",    ["canifa", "system-core"]),
+        ("06_user_insight.txt",     "canifa-06-user-insight",    ["canifa", "system-core"]),
+        ("07_output_format.txt",    "canifa-07-output-format",   ["canifa", "system-core"]),
+    ]
+
+    for filename, langfuse_name, tags in SUB_MODULES:
+        content = read_file(os.path.join(PROMPT_DIR, filename))
+        lf.create_prompt(name=langfuse_name, prompt=content, labels=["production"], tags=tags, type="text")
+        print(f"  ✅ {filename:30s} → {langfuse_name} ({len(content):,} chars)")
+
+    # Season prompt
+    SEASON_CONTENT = """## HƯỚNG DẪN TƯ VẤN THEO MÙA / EVENT
+
+**Thời điểm hiện tại:** Tháng 3/2026 — Mùa Xuân, chuyển giao Đông → Hè
+
+**Ưu tiên sản phẩm mùa này:**
+- Áo khoác nhẹ, cardigan (trời se lạnh buổi sáng/tối)
+- Áo phông, áo thun (ban ngày ấm)
+- Sơ mi dài tay (đi làm)
+- Quần jeans, quần kaki (đa năng)
+
+**Khi khách hỏi chung chung ("có gì hot?", "gợi ý đi"):**
+→ Ưu tiên giới thiệu sản phẩm phù hợp thời tiết hiện tại
+→ Nhắc sale/khuyến mãi nếu có
+
+**Event đang diễn ra:**
+- (Marketing cập nhật event tại đây)
+"""
+    lf.create_prompt(name="canifa-08-season", prompt=SEASON_CONTENT, labels=["production"], tags=["canifa", "system-addon"], type="text")
+    print(f"  ✅ {'(season template)':30s} → canifa-08-season ({len(SEASON_CONTENT):,} chars)")
+
+    # ============================================================
+    # PART 2: Core System Prompt (01_core + references)
+    # ============================================================
+    print("\n" + "=" * 60)
+    print("PART 2: Core System Prompt (composable)")
+    print("=" * 60)
+
+    core_content = read_file(os.path.join(PROMPT_DIR, "01_core.txt"))
+    references = "\n".join(
+        f"@@@langfusePrompt:name={name}|label=production@@@"
+        for _, name, _ in SUB_MODULES
+    )
+    references += "\n@@@langfusePrompt:name=canifa-08-season|label=production@@@"
+    composed = core_content + "\n" + references + "\n"
+
+    lf.create_prompt(name="canifa-stylist-system-prompt", prompt=composed, labels=["production"], tags=["canifa", "system-prompt"], type="text")
+    print(f"  ✅ canifa-stylist-system-prompt ({len(composed):,} chars, {len(SUB_MODULES) + 1} refs)")
+
+    # ============================================================
+    # PART 3: Tool Prompts (with correct Langfuse names!)
+    # ============================================================
+    print("\n" + "=" * 60)
+    print("PART 3: Tool Prompts")
+    print("=" * 60)
+
+    TOOL_PROMPTS = {
+        "brand_knowledge_tool.txt": "canifa-tool-brand-knowledge",
+        "check_is_stock.txt":       "canifa-tool-check-stock",
+        "data_retrieval_tool.txt":  "canifa-tool-data-retrieval",
+        "promotion_canifa_tool.txt": "canifa-tool-promotion",
+        "store_search_tool.txt":    "canifa-tool-store-search",
+    }
+
+    for filename, langfuse_name in TOOL_PROMPTS.items():
+        path = os.path.join(TOOL_PROMPT_DIR, filename)
+        content = read_file(path)
+        lf.create_prompt(name=langfuse_name, prompt=content, labels=["production"], tags=["canifa", "tool-prompt"], type="text")
+        print(f"  ✅ {filename:35s} → {langfuse_name} ({len(content):,} chars)")
+
+    # ============================================================
+    # VERIFY
+    # ============================================================
+    print("\n" + "=" * 60)
+    print("VERIFICATION")
+    print("=" * 60)
+
+    prompt = lf.get_prompt("canifa-stylist-system-prompt", label="production", cache_ttl_seconds=0)
+    assembled = prompt.prompt
+    print(f"  System prompt assembled: {len(assembled):,} chars")
+
+    for tool_name, langfuse_name in TOOL_PROMPTS.items():
+        try:
+            p = lf.get_prompt(langfuse_name, label="production", cache_ttl_seconds=0)
+            print(f"  ✅ {langfuse_name}: {len(p.prompt):,} chars")
+        except Exception as e:
+            print(f"  ❌ {langfuse_name}: {e}")
+
+    lf.flush()
+    print("\n🎉 ALL PROMPTS PUSHED SUCCESSFULLY!")
+
+
+if __name__ == "__main__":
+    main()

backend/agent/streaming_callback.py

@@ -43,9 +43,13 @@ class ProductIDStreamingCallback(AsyncCallbackHandler):
         Callback khi LLM sinh token mới.
         Accumulate và check regex ngay!
         """
-        # Responses API may send token as list instead of str
-        if isinstance(token, list):
-            token = "".join(str(t) for t in token)
+        # Gemini/Responses API may send token as dict {'type':'text','text':'...'} or list of dicts
+        if isinstance(token, dict):
+            token = token.get("text", "") or ""
+        elif isinstance(token, list):
+            token = "".join(
+                t.get("text", "") if isinstance(t, dict) else str(t) for t in token
+            )
         elif not isinstance(token, str):
             token = str(token)
         self.accumulated_content += token

backend/agent/text_to_sql.py

+"""
+Chatbot V2 — Embedding + Vector Search + LLM Response
+Flow: User hỏi → Embedding (OpenAI) → Vector Search DB → LLM viết response.
+Chỉ 1 embedding call + 1 LLM call. Nhanh hơn nhiều so với 2 LLM call.
+"""
+import logging
+import time
+
+from common.embedding_service import create_embedding_async
+from common.llm_factory import create_llm
+from common.starrocks_connection import get_db_connection
+
+logger = logging.getLogger(__name__)
+
+MODEL_NAME = "gemini-3.1-flash-lite-preview"
+
+RESPONSE_SYSTEM_PROMPT = """Bạn là AI Stylist của CANIFA — tư vấn thời trang nhiệt tình, tự nhiên.
+
+QUY TẮC:
+1. Dựa vào data sản phẩm thật từ DB để trả lời. CẤM BỊA thông tin SP.
+2. Mỗi SP: nói tên, mã [SKU], giá (nếu đang sale thì gạch giá gốc), gợi ý dịp mặc.
+3. ĐƯỢC gợi ý thêm: phù hợp dịp gì (đi làm, đi chơi...), phối với gì.
+4. CẤM bịa chi tiết SP (chất liệu, form...) nếu data không có.
+5. Tối đa 1-2 emoji. Giọng tự nhiên, thân thiện.
+6. Cuối response: hỏi thêm nhu cầu hoặc gợi ý size.
+7. Nếu không có SP → nói thật, gợi ý tìm tiêu chí khác.
+"""
+
+
+# ============================================================
+# Helpers
+# ============================================================
+def _get_llm():
+    return create_llm(MODEL_NAME, streaming=False, json_mode=False)
+
+
+def _extract_text(content) -> str:
+    """Extract text from Gemini response.content (có thể là str hoặc list)."""
+    if isinstance(content, str):
+        return content.strip()
+    if isinstance(content, list):
+        parts = []
+        for part in content:
+            if isinstance(part, str):
+                parts.append(part)
+            elif hasattr(part, "text"):
+                parts.append(part.text)
+            elif isinstance(part, dict) and "text" in part:
+                parts.append(part["text"])
+        return "\n".join(parts).strip()
+    return str(content).strip()
+
+
+# ============================================================
+# Step 1: Embed user question (OpenAI ~200ms)
+# ============================================================
+async def embed_question(question: str) -> list[float]:
+    """Embed câu hỏi bằng OpenAI text-embedding-3-small."""
+    vector = await create_embedding_async(question)
+    logger.info("📐 [V2] Embedded question: %d dims", len(vector))
+    return vector
+
+
+# ============================================================
+# Step 2: Vector search DB (~200ms)
+# ============================================================
+async def vector_search(vector: list[float], limit: int = 30) -> list[dict]:
+    """Vector search trên StarRocks dùng approx_cosine_similarity."""
+    db = get_db_connection()
+    if not db:
+        raise Exception("DB connection failed")
+
+    v_str = "[" + ",".join(str(x) for x in vector) + "]"
+
+    sql = f"""
+    WITH vector_matches AS (
+        SELECT
+            magento_ref_code,
+            product_name,
+            master_color,
+            product_image_url_thumbnail,
+            product_web_url,
+            sale_price,
+            original_price,
+            discount_amount,
+            ROUND(((original_price - sale_price) / original_price * 100), 0) as discount_percent,
+            gender_by_product,
+            age_by_product,
+            product_line_vn,
+            description_text,
+            size_scale,
+            quantity_sold,
+            is_new_product,
+            approx_cosine_similarity(vector, {v_str}) as similarity_score
+        FROM shared_source.magento_product_dimension_with_text_embedding
+        ORDER BY similarity_score DESC
+        LIMIT {limit * 3}
+    )
+    SELECT *
+    FROM vector_matches
+    WHERE similarity_score > 0.3
+    ORDER BY similarity_score DESC
+    LIMIT {limit}
+    """
+
+    products = await db.execute_query_async(sql)
+    logger.info("📊 [V2] Vector search returned %d products", len(products))
+    return products
+
+
+# ============================================================
+# Step 3: LLM viết response (~2s)
+# ============================================================
+async def generate_response(user_question: str, products: list[dict]) -> str:
+    """LLM viết response bán hàng từ data thực."""
+    llm = _get_llm()
+
+    if not products:
+        product_info = "KHÔNG TÌM THẤY SẢN PHẨM NÀO."
+    else:
+        items = []
+        for p in products[:10]:
+            price_info = f"{int(p.get('sale_price', 0)):,}đ"
+            if p.get("original_price") and p["original_price"] > p.get("sale_price", 0):
+                price_info = f"~~{int(p['original_price']):,}đ~~ → {price_info}"
+                if p.get("discount_percent"):
+                    price_info += f" (-{int(p['discount_percent'])}%)"
+
+            items.append(
+                f"- [{p.get('magento_ref_code', '?')}] {p.get('product_name', '?')} | "
+                f"Màu: {p.get('master_color', '?')} | Giá: {price_info} | "
+                f"Size: {p.get('size_scale', '?')} | "
+                f"Đã bán: {p.get('quantity_sold', 0)} | "
+                f"Score: {p.get('similarity_score', 0):.3f} | "
+                f"Mô tả: {(p.get('description_text') or '')[:100]}"
+            )
+        product_info = "\n".join(items)
+
+    messages = [
+        {"role": "system", "content": RESPONSE_SYSTEM_PROMPT},
+        {
+            "role": "user",
+            "content": f"Câu hỏi khách: {user_question}\n\nDữ liệu SP từ DB:\n{product_info}\n\nViết response tư vấn:",
+        },
+    ]
+    response = await llm.ainvoke(messages)
+    return _extract_text(response.content)
+
+
+# ============================================================
+# Full flow: Question → Embed → Vector Search → LLM Response
+# ============================================================
+async def text_to_sql_chat(user_question: str) -> dict:
+    """
+    Full pipeline V2:
+    1. Embed câu hỏi (OpenAI ~200ms)
+    2. Vector search DB (~200ms)
+    3. LLM viết response (~2s)
+    Total target: ~2.5s
+    """
+    total_start = time.time()
+
+    # Step 1: Embed
+    embed_start = time.time()
+    vector = await embed_question(user_question)
+    embed_ms = (time.time() - embed_start) * 1000
+
+    # Step 2: Vector search
+    db_start = time.time()
+    try:
+        products = await vector_search(vector, limit=30)
+    except Exception as e:
+        logger.error("❌ [V2] Vector search failed: %s", e)
+        products = []
+    db_ms = (time.time() - db_start) * 1000
+
+    # Step 3: Generate response
+    resp_start = time.time()
+    ai_response = await generate_response(user_question, products)
+    resp_ms = (time.time() - resp_start) * 1000
+
+    total_ms = (time.time() - total_start) * 1000
+
+    logger.info(
+        "✅ [V2] Done: %d products, embed=%.0fms, db=%.0fms, resp=%.0fms, total=%.0fms",
+        len(products),
+        embed_ms,
+        db_ms,
+        resp_ms,
+        total_ms,
+    )
+
+    return {
+        "ai_response": ai_response,
+        "products": products,  # All products for frontend panel
+        "sql": f"[Vector Search] Embedded '{user_question[:50]}' → cosine similarity top {len(products)}",
+        "timing": {
+            "embedding_ms": round(embed_ms),
+            "db_search_ms": round(db_ms),
+            "response_generation_ms": round(resp_ms),
+            "total_ms": round(total_ms),
+        },
+        "product_count": len(products),
+    }

backend/agent/tool_prompts/brand_knowledge_tool.txt

-Tra cứu TOÀN BỘ thông tin về thương hiệu và dịch vụ của Canifa.
+Tra cứu thông tin thương hiệu và dịch vụ CANIFA.
 
-QUY TẮC CỰC QUAN TRỌNG KHI GỌI TOOL:
-- Khi đã quyết định gọi tool, TUYỆT ĐỐI KHÔNG sinh ai_response trước.
-- Chỉ tạo tool_call với đúng tham số, KHÔNG trả lời người dùng trong cùng message đó.
-- Sau khi tool trả kết quả mới được sinh ai_response.
-Sử dụng tool này khi khách hàng hỏi về:
+Gọi khi khách hỏi:
+1. Thương hiệu: Lịch sử, giá trị, sứ mệnh CANIFA
+2. Chính sách: Đổi trả, bảo hành, vận chuyển, phí ship
+3. Khách hàng thân thiết: Hạng thẻ, tích điểm, quyền lợi
+4. Hỗ trợ/FAQ: Bảo mật, liên hệ, tuyển dụng
+5. Bảng size/Chọn size: Khi khách đưa số đo → BẮT BUỘC gọi tool, KHÔNG tự đoán size
+6. Từ viết tắt: "ct" = khuyến mãi, "khtt" = khách hàng thân thiết, "đc" = địa chỉ
 
-1. THƯƠNG HIỆU & GIỚI THIỆU: Lịch sử hình thành, giá trị cốt lõi, sứ mệnh.
-2. HỆ THỐNG CỬA HÀNG: Tìm địa chỉ, số điện thoại, giờ mở cửa các cửa hàng tại các tỉnh thành (Hà Nội, HCM, Đà Nẵng, v.v.).
-3. CHÍNH SÁCH BÁN HÀNG: Quy định đổi trả, bảo hành, chính sách vận chuyển, phí ship.
-4. KHÁCH HÀNG THÂN THIẾT (KHTT): Điều kiện đăng ký thành viên, các hạng thẻ (Green, Silver, Gold, Diamond), quyền lợi tích điểm, thẻ quà tặng.
-5. HỖ TRỢ & FAQ: Giải đáp thắc mắc thường gặp, chính sách bảo mật, thông tin liên hệ văn phòng, tuyển dụng.
-6. TRA CỨU SIZE (BẢNG KÍCH CỠ):
-   - Hướng dẫn chọn size chuẩn cho nam, nữ, trẻ em dựa trên chiều cao, cân nặng.
-   - ⚠️ KHI KHÁCH ĐƯA SỐ ĐO (cân nặng, chiều cao, số đo 3 vòng) → BẮT BUỘC gọi tool này để tra bảng size, KHÔNG ĐƯỢC tự đoán size.
-   - Nếu khách chỉ đưa cân nặng mà thiếu chiều cao (hoặc ngược lại), hỏi thêm thông tin còn thiếu TRƯỚC khi gọi tool.
-7. GIẢI NGHĨA TỪ VIẾT TẮT: Tự động hiểu các từ viết tắt phổ biến của khách hàng (ví dụ: 'ct' = 'chương trình khuyến mãi/ưu đãi', 'khtt' = 'khách hàng thân thiết', 'store' = 'cửa hàng', 'đc' = 'địa chỉ').
-
-Ví dụ các câu hỏi phù hợp:
-- 'Bên bạn đang có ct gì không?' (Hiểu là: Chương trình khuyến mãi)
-- 'Canifa ở Cầu Giấy địa chỉ ở đâu?'
-- 'Chính sách đổi trả hàng trong bao nhiêu ngày?'
-- 'Làm sao để lên hạng thẻ Gold?'
-- 'Phí vận chuyển đi tỉnh là bao nhiêu?'
-- 'Canifa thành lập năm nào?'
-
-Ví dụ câu hỏi TRA CỨU SIZE (phải gọi tool):
-- 'Cho mình xem bảng size áo nam.'
-- 'Mình nặng 80kg cao 1m75, mặc size gì?'
-- 'Tìm áo cho người bự con tầm 80kg'
-- 'Size XL tương đương bao nhiêu kg?'
-- 'Con mình 8 tuổi cao 1m30, mặc size nào?'
-- 'Mình 65kg 1m68 nên mặc áo size gì?'
-- 'Bảng size quần jean nữ'
-- 'Size M áo polo nam đo ngực bao nhiêu?'
-- 'Mình mập, 90kg mặc được size nào?'
-- 'Cho em hỏi bảng size trẻ em 3-5 tuổi'
+⚠️ Nếu khách chỉ đưa cân nặng mà thiếu chiều cao (hoặc ngược lại) → hỏi thêm TRƯỚC khi gọi tool.

backend/agent/tool_prompts/check_is_stock.txt

-Công cụ KIỂM TRA TỒN KHO sản phẩm CANIFA theo mã sản phẩm.
+Kiểm tra tồn kho sản phẩm CANIFA theo mã SKU.
 
-KHI NÀO GỌI TOOL NÀY:
-- Khách có MÃ SKU CỤ THỂ và hỏi "còn hàng không?", "còn size không?", "check tồn kho"
-- Khách hỏi "mã 6ST25W005 còn size L không?", "8TS24W001 còn hàng không?"
-- Khách muốn biết số lượng tồn kho của một hoặc nhiều mã sản phẩm cụ thể
+KHI NÀO GỌI:
+- Khách có MÃ SKU + hỏi "còn hàng/còn size/check tồn kho"
+- Khách muốn biết tồn kho 1 hoặc nhiều SKU
 
-KHÔNG GỌI TOOL NÀY:
-- Khách hỏi "có những size nào?" mà KHÔNG có mã SKU → dùng data_retrieval_tool (size_scale có sẵn)
-- Khách tìm kiếm sản phẩm theo mô tả → dùng data_retrieval_tool
-- Khách hỏi giá, thông tin sản phẩm → dùng data_retrieval_tool
+KHÔNG GỌI:
+- "Có những size nào?" (không có SKU) → dùng data_retrieval_tool
+- Tìm SP theo mô tả/giá → dùng data_retrieval_tool
 
-PHÂN BIỆT QUAN TRỌNG:
-- "Sản phẩm này có NHỮNG SIZE NÀO?" → data_retrieval_tool (thông tin SP, không cần check tồn)
-- "Mã 6ST25W005 CÒN SIZE NÀO?" → check_is_stock (kiểm tra tồn kho thực tế)
-- Nói cách khác: "có size nào" = thông tin SP, "còn size nào" = tồn kho
+Phân biệt: "có size nào" = thông tin SP | "còn size nào" = tồn kho → tool này
 
-QUY TẮC CỰC QUAN TRỌNG KHI GỌI TOOL:
-- Khi đã quyết định gọi tool, TUYỆT ĐỐI KHÔNG sinh ai_response trước.
-- Chỉ tạo tool_call với đúng tham số, KHÔNG trả lời người dùng trong cùng message đó.
-- Sau khi tool trả kết quả mới được sinh ai_response.
+⛔ CẤM BỊA MÃ SKU:
+- Truyền ĐÚNG NGUYÊN MÃ từ context hoặc khách đưa
+- KHÔNG tự ghép suffix -SZ001, -SK010! Tool TỰ EXPAND biến thể.
+- "6TS25S018 còn size S?" → skus: "6TS25S018" (ĐÚNG). ❌ "6TS25S018-SZ001" (SAI!)
 
-⛔⛔⛔ TỐI HẬU THƯ — CẤM TUYỆT ĐỐI TỰ BỊA MÃ SKU ⛔⛔⛔
-- Truyền ĐÚNG NGUYÊN MÃ từ data_retrieval_tool trả về hoặc khách đưa.
-- KHÔNG ĐƯỢC tự ghép thêm suffix -SZ001, -SK010, -SW001 hay BẤT KỲ ký tự nào!
-- Tool trả về sku="6TE25S001" → skus: "6TE25S001" (ĐÚNG)
-  ❌ skus: "6TE25S001-SZ001" (SAI — BỊA MÃ!)
-  ❌ skus: "6TE25S001-SK010" (SAI — BỊA MÃ!)
-- Khách nói "6TS25S018 còn size S không?" → skus: "6TS25S018" (ĐÚNG)
-  ❌ skus: "6TS25S018-SZ001" (SAI — BỊA!)
-- Tool sẽ TỰ EXPAND ra tất cả biến thể từ DB, KHÔNG cần bot tự thêm color code!
-
------ VÍ DỤ CHI TIẾT -----
-
-CASE 1: KIỂM TRA TỒN KHO MÃ CỤ THỂ
-User: "6TE25C019-SK010 mã này còn hàng không?"
--> Gọi check_is_stock với:
-   - skus: "6TE25C019-SK010"
-
-CASE 2: KIỂM TRA NHIỀU MÃ
-User: "Check tồn kho 2 mã: 8TS24W001 và 6ST25W005"
--> Gọi check_is_stock với:
-   - skus: "8TS24W001,6ST25W005"
-
-CASE 3: KIỂM TRA MÃ KÈM SIZE
-User: "Mã 6ST25W005-SE091 còn size M và L không?"
--> Gọi check_is_stock với:
-   - skus: "6ST25W005-SE091"
-
-CASE 4: KIỂM TRA MÃ BASE (TỰ EXPAND)
-User: "6ST25W005 còn màu nào và size nào?"
--> Gọi check_is_stock với:
-   - skus: "6ST25W005"
-   (Tool sẽ tự động expand ra tất cả các biến thể từ DB)
-
-CÁCH ĐỌC VÀ TRÌNH BÀY KẾT QUẢ:
-- stock_responses: Danh sách tồn kho từng SKU
-- is_in_stock: true/false - còn hàng hay không
-- qty: số lượng — CHỈ dùng nội bộ để xác định còn/hết. CẤM TIẾT LỘ CHO KHÁCH!
-
-CÁCH TRÌNH BÀY CHO KHÁCH:
-1. CHỈ ĐƯỢC NÓI 2 TỪ: "Còn hàng" hoặc "Hết hàng"
-2. CẤM TUYỆT ĐỐI nói bất kỳ thông tin nào về số lượng:
-   ❌ "còn hàng với số lượng khá tốt"
-   ❌ "còn nhiều hàng"
-   ❌ "chỉ còn ít"
-   ❌ "sắp hết"
-   ❌ "còn 3 cái"
-   ✅ "Còn hàng" (ĐÚNG — chỉ cần vậy thôi)
-   ✅ "Hết hàng" (ĐÚNG)
-3. Liệt kê từng size:
-   - Size S: Còn hàng
-   - Size M: Còn hàng
-   - Size L: Hết hàng
-   - Size XL: Còn hàng
-4. Nếu khách hỏi "còn size nào" → Chỉ liệt kê size CÒN HÀNG
-5. Nếu hết hàng size khách muốn → Gợi ý size/màu khác còn hàng
-6. Nếu SP hoàn toàn hết → Thông báo rõ và gợi ý SP tương tự
-7. PHẢI nói rõ "trên hệ thống online" — KHÔNG nói tồn kho tại cửa hàng cụ thể
+Nhiều mã: skus: "8TS24W001,6ST25W005" (phân cách bằng dấu phẩy)
 
+TRÌNH BÀY KẾT QUẢ:
+- CHỈ nói "Còn hàng" hoặc "Hết hàng". CẤM tiết lộ số lượng (qty chỉ dùng nội bộ)
+- ❌ "còn nhiều/còn ít/sắp hết/còn 3 cái"
+- Liệt kê từng size: Size S: Còn hàng | Size L: Hết hàng
+- Hết size khách muốn → gợi ý size/màu khác
+- PHẢI nói "trên hệ thống online" — KHÔNG nói tồn kho cửa hàng cụ thể

backend/agent/tool_prompts/store_search_tool.txt

-Tìm kiếm cửa hàng CANIFA theo địa điểm, khu vực, quận/huyện/tỉnh/thành phố.
+Tìm kiếm cửa hàng CANIFA theo địa điểm.
 
-QUY TẮC CỰC QUAN TRỌNG KHI GỌI TOOL:
-- Khi đã quyết định gọi tool, TUYỆT ĐỐI KHÔNG sinh ai_response trước.
-- Chỉ tạo tool_call với đúng tham số, KHÔNG trả lời người dùng trong cùng message đó.
-- Sau khi tool trả kết quả mới được sinh ai_response.
+Gọi khi khách hỏi: cửa hàng ở đâu, địa chỉ shop, giờ mở cửa, mua offline ở đâu.
+VD: "Canifa ở Cầu Giấy?" → location: "Cầu Giấy" | "Gần đây có shop?" → location: ""
 
-Sử dụng tool này khi khách hàng hỏi về:
-1. CỬA HÀNG Ở ĐÂU: "Có cửa hàng ở Hoàng Mai không?", "Canifa ở Cầu Giấy địa chỉ?"
-2. TÌM CỬA HÀNG GẦN: "Gần đây có shop nào?", "Mình ở Hải Phòng mua ở đâu?"
-3. GIỜ MỞ CỬA: "Shop mở cửa mấy giờ?", "Giờ hoạt động cửa hàng Vincom?"
-4. ĐỊA CHỈ CỤ THỂ: "Cho địa chỉ cửa hàng ở Đà Nẵng", "Canifa Vincom có không?"
-5. MUA OFFLINE: "Mình ra Chùa Bộc mua được không?", "Bên quận 7 có shop không?"
-
---- VÍ DỤ CÂU HỎI → BẮT BUỘC GỌI TOOL NÀY ---
-- "Có cửa hàng bên quận Hoàng Mai shop ơi" → location: "Hoàng Mai"
-- "Canifa ở Cầu Giấy địa chỉ ở đâu?" → location: "Cầu Giấy"
-- "Mình ra Chùa Bộc mua được không?" → location: "Chùa Bộc"
-- "Gần Vincom Bà Triệu có shop nào?" → location: "Vincom Bà Triệu"
-- "Cho địa chỉ cửa hàng ở Đà Nẵng" → location: "Đà Nẵng"
-- "Mình ở Hải Phòng mua ở đâu?" → location: "Hải Phòng"
-- "Shop mở cửa mấy giờ?" → location: "" (trả về tất cả)
-- "Có cửa hàng ở Vĩnh Phúc không?" → location: "Vĩnh Phúc"
-- "Canifa Phúc Yên ở đâu?" → location: "Phúc Yên"
-
-⚠️ KHÔNG DÙNG TOOL NÀY KHI:
-- Khách hỏi TỒN KHO tại cửa hàng: "Shop Hoàng Mai còn size M không?" → redirect hotline!
-- Khách hỏi CHÍNH SÁCH, KHUYẾN MÃI → dùng canifa_knowledge_search hoặc canifa_get_promotions
-- Khách hỏi SẢN PHẨM → dùng data_retrieval_tool
+KHÔNG dùng khi: Hỏi tồn kho cửa hàng → redirect hotline | Hỏi chính sách → canifa_knowledge_search | Hỏi SP → data_retrieval_tool
 
 Tham số:
-- location (bắt buộc): Tên quận/huyện/tỉnh/thành phố/địa chỉ. Bỏ prefix "quận", "huyện", "tỉnh", "tp" khi truyền vào.
+- location (bắt buộc): Tên quận/huyện/tỉnh/TP. Bỏ prefix "quận/huyện/tỉnh/tp".

backend/agent/tools/data_retrieval_tool.py

@@ -31,7 +31,7 @@ from agent.prompt_utils import read_tool_prompt
 
 
 class SearchItem(BaseModel):
-    model_config = {"extra": "forbid"}  # STRICT MODE
+    model_config = {"extra": "ignore"}  # Gemini may send extra fields
 
     # ====== SEMANTIC SEARCH ======
     description: str = Field(
@@ -41,61 +41,86 @@ class SearchItem(BaseModel):
             "material_group: [chất liệu]. style: [phong cách]. fitting: [dáng]. "
             "form_sleeve: [tay]. form_neckline: [cổ]. product_line_vn: [dòng SP]'. "
             "🚨 product_name = CHÍNH XÁC lời user nói, TUYỆT ĐỐI KHÔNG tự đổi sang tên khác. "
-            "VD: user nói 'áo ngọ nguậy' → product_name: Áo ngọ nguậy (KHÔNG đổi thành 'Áo phông'!). "
-            "VD: user nói 'áo cá sấu' → product_name: Áo cá sấu (KHÔNG đổi!). "
-            "Chỉ chuẩn hóa từ đồng nghĩa RÕ RÀNG: 'áo thun'→'Áo phông', 'quần bò'→'Quần jean'. "
             "⚠️ KHÔNG đưa master_color vào description — dùng field master_color riêng! "
-            "product_line_vn trong description = broad category (Áo phông, Áo Polo, Quần jean...). "
-            "VD: 'áo ngọ nguậy' → 'product_name: Áo ngọ nguậy. product_line_vn: Áo phông'. "
-            "VD: 'áo cá sấu polo' → 'product_name: Áo cá sấu polo. product_line_vn: Áo Polo'."
         )
     )
     product_name: str | None = Field(
+        default=None,
         description="Tên sản phẩm. Chỉ điền khi khách cung cấp tên cụ thể.",
     )
 
     # ====== SKU LOOKUP ======
     magento_ref_code: str | None = Field(
+        default=None,
         description="Mã sản phẩm chính xác (SKU). Chỉ điền khi khách cung cấp mã cụ thể.",
     )
 
-    # ====== SQL HARD FILTERS (lọc trực tiếp trong DB query) ======
+    # ====== SQL HARD FILTERS ======
     gender_by_product: str | None = Field(
+        default=None,
         description="[SQL FILTER] Giới tính. GIÁ TRỊ HỢP LỆ: women, men, boy, girl, unisex, newborn",
     )
     age_by_product: str | None = Field(
+        default=None,
         description="[SQL FILTER] Độ tuổi. GIÁ TRỊ HỢP LỆ: adult, kid, others",
     )
     master_color: str | None = Field(
+        default=None,
         description=(
-            "[SQL FILTER] Màu sắc sản phẩm. Gửi CHÍNH XÁC từ khách nói (VD: 'trắng', 'đen', 'xanh', 'đỏ'). "
+            "[SQL FILTER] Màu sắc sản phẩm. Gửi CHÍNH XÁC từ khách nói. "
             "Tool sẽ tự match trong DB bằng LIKE. KHÔNG đưa màu vào description!"
         ),
     )
     price_min: int | None = Field(
+        default=None,
         description="[SQL FILTER] Giá thấp nhất (VND)",
     )
     price_max: int | None = Field(
+        default=None,
         description="[SQL FILTER] Giá cao nhất (VND)",
     )
     discount_min: int | None = Field(
-        description="[SQL FILTER] % giảm giá tối thiểu. VD: 50 → chỉ lấy SP giảm >= 50%. Nếu khách hỏi 'đồ sale' chung → đặt = 1.",
+        default=None,
+        description="[SQL FILTER] % giảm giá tối thiểu. VD: 50 → chỉ lấy SP giảm >= 50%.",
     )
     discount_max: int | None = Field(
+        default=None,
         description="[SQL FILTER] % giảm giá tối đa. VD: 70 → chỉ lấy SP giảm <= 70%.",
     )
     discovery_mode: str | None = Field(
+        default=None,
         description=(
-            "[SQL FILTER] Chế độ khám phá. 'new' = hàng mới (is_new_product=1), "
-            "'best_seller' = bán chạy nhất (ORDER BY quantity_sold). "
-            "Chỉ dùng khi khách NÓI RÕ 'mới nhất'/'hàng mới'/'bán chạy'/'best seller'/'hot'. "
-            "Nếu khách KHÔNG nói → để null."
+            "[SQL FILTER] 'new' = hàng mới, 'best_seller' = bán chạy. "
+            "Chỉ dùng khi khách NÓI RÕ. Nếu không nói → null."
         ),
     )
 
+    @classmethod
+    def __get_validators__(cls):
+        yield cls._coerce_empty_strings
+
+    def model_post_init(self, __context) -> None:
+        """Coerce empty strings to None and extract product_name from description."""
+        import re
+        # 1. Empty string → None
+        for field_name in ['product_name', 'magento_ref_code', 'gender_by_product',
+                           'age_by_product', 'master_color', 'discovery_mode']:
+            val = getattr(self, field_name, None)
+            if isinstance(val, str) and val.strip() == '':
+                object.__setattr__(self, field_name, None)
+
+        # 2. If product_name is None but description contains "product_name: X" → extract it
+        if self.product_name is None and self.description:
+            match = re.search(r'product_name:\s*([^.]+?)(?:\.|$)', self.description)
+            if match:
+                extracted = match.group(1).strip()
+                if extracted and extracted.lower() not in ('sản phẩm', 'product'):
+                    object.__setattr__(self, 'product_name', extracted)
+                    logger.info(f"📝 Extracted product_name from description: '{extracted}'")
+
 
 class MultiSearchParams(BaseModel):
-    model_config = {"extra": "forbid"}  # STRICT MODE
+    model_config = {"extra": "ignore"}  # Gemini may send extra fields
     searches: list[SearchItem] = Field(description="Danh sách các truy vấn tìm kiếm")
 
 

backend/agent/tools/product_search_helpers.py

@@ -11,14 +11,14 @@ logger = logging.getLogger(__name__)
 
 
 def _get_price_clauses(params, sql_params: list) -> list[str]:
-    """Lọc theo giá (Parameterized)."""
+    """Lọc theo giá (Parameterized). Bỏ qua giá trị 0 (Gemini gửi 0 thay vì null)."""
     clauses = []
     p_min = getattr(params, "price_min", None)
-    if p_min is not None:
+    if p_min and p_min > 0:
         clauses.append("sale_price >= %s")
         sql_params.append(p_min)
     p_max = getattr(params, "price_max", None)
-    if p_max is not None:
+    if p_max and p_max > 0:
         clauses.append("sale_price <= %s")
         sql_params.append(p_max)
 
@@ -26,10 +26,16 @@ def _get_price_clauses(params, sql_params: list) -> list[str]:
 
 
 def _get_discount_params(params) -> tuple[int | None, int | None]:
-    """Lấy discount_min và discount_max từ params."""
+    """Lấy discount_min và discount_max từ params. Bỏ qua giá trị 0."""
     discount_min = getattr(params, "discount_min", None)
     discount_max = getattr(params, "discount_max", None)
 
+    # Treat 0 as null (Gemini sends 0 instead of null)
+    if discount_min is not None and discount_min <= 0:
+        discount_min = None
+    if discount_max is not None and discount_max <= 0:
+        discount_max = None
+
     if discount_min is not None or discount_max is not None:
         if discount_min and discount_max:
             logger.info(f"🏷️ [DISCOUNT FILTER] Filtering products with discount {discount_min}% - {discount_max}%")
@@ -88,10 +94,10 @@ def _get_metadata_clauses(params, sql_params: list) -> list[str]:
     name_val = getattr(params, "product_name", None)
     if name_val:
         from agent.tools.product_mapping import resolve_product_name, get_related_lines
-        
+
         # Support '/' separator: "Áo lót/Áo bra active" → ["Áo lót", "Áo bra active"]
         name_parts = [p.strip() for p in name_val.split("/") if p.strip()]
-        
+
         all_phrases = set()
         for part in name_parts:
             resolved = resolve_product_name(part)
@@ -101,7 +107,7 @@ def _get_metadata_clauses(params, sql_params: list) -> list[str]:
                 phrase = " ".join(w for w in words if w.lower() not in GENERIC_WORDS)
                 if phrase:
                     all_phrases.add(phrase.lower())
-        
+
         if all_phrases:
             like_parts = []
             for phrase in all_phrases:
@@ -125,7 +131,7 @@ async def build_starrocks_query(params, query_vector: list[float] | None = None)
     magento_code = getattr(params, "magento_ref_code", None)
     if magento_code:
         sql = """
-        SELECT 
+        SELECT
             internal_ref_code,
             magento_ref_code,
             product_color_code,
@@ -249,11 +255,11 @@ async def build_starrocks_query(params, query_vector: list[float] | None = None)
     discount_min, discount_max = _get_discount_params(params)
 
     post_filter_conditions = []
-    
+
     # Price + Gender + Age filters
     if all_clauses:
         post_filter_conditions.extend(all_clauses)
-    
+
     # Discount filters
     if discount_min is not None or discount_max is not None:
         post_filter_conditions.append("sale_price < original_price")  # Ensure has discount
@@ -263,7 +269,7 @@ async def build_starrocks_query(params, query_vector: list[float] | None = None)
         if discount_max is not None:
             post_filter_conditions.append("discount_percent <= %s")
             sql_params.append(discount_max)
-    
+
     post_filter_where = ""
     if post_filter_conditions:
         post_filter_where = " WHERE " + " AND ".join(post_filter_conditions)
@@ -310,7 +316,7 @@ async def build_starrocks_query(params, query_vector: list[float] | None = None)
         ORDER BY similarity_score DESC
         LIMIT 150
     )
-    SELECT 
+    SELECT
         internal_ref_code,
         MAX_BY(magento_ref_code, similarity_score) as magento_ref_code,
         product_color_code,
@@ -337,7 +343,7 @@ async def build_starrocks_query(params, query_vector: list[float] | None = None)
 
     # try:
     #     query_log_path = os.path.join(os.path.dirname(__file__), "note/query.txt")
-        
+
     #     # Build executable query by substituting %s with actual values
     #     executable_sql = sql
     #     for param in sql_params:
@@ -347,7 +353,7 @@ async def build_starrocks_query(params, query_vector: list[float] | None = None)
     #             executable_sql = executable_sql.replace("%s", f"'{escaped}'", 1)
     #         else:
     #             executable_sql = executable_sql.replace("%s", str(param), 1)
-        
+
     #     with open(query_log_path, "w", encoding="utf-8") as f:
     #         f.write(f"-- [HYDE SEARCH] Full Executable Query\n-- Original Params: {sql_params}\n{executable_sql}")
     # except Exception as e:

backend/api/dashboard_route.py

+"""
+Dashboard API Route
+Provides system overview, service health checks, and configuration info.
+"""
+
+import logging
+import os
+import platform
+import sys
+import time
+from datetime import datetime, timezone
+
+from fastapi import APIRouter
+from fastapi.responses import JSONResponse
+
+from config import (
+    AI_SUPABASE_URL,
+    CONV_SUPABASE_URL,
+    DEFAULT_MODEL,
+    GOOGLE_API_KEY,
+    GROQ_API_KEY,
+    LANGFUSE_BASE_URL,
+    LANGFUSE_PUBLIC_KEY,
+    LANGFUSE_SECRET_KEY,
+    MONGODB_DB_NAME,
+    MONGODB_URI,
+    OPENAI_API_KEY,
+    PORT,
+    RATE_LIMIT_GUEST,
+    RATE_LIMIT_USER,
+    REDIS_HOST,
+    REDIS_PORT,
+    STARROCKS_DB,
+    STARROCKS_HOST,
+    USE_MONGO_CONVERSATION,
+)
+
+logger = logging.getLogger(__name__)
+router = APIRouter()
+
+# Track server start time
+_SERVER_START_TIME = time.time()
+
+# App version info
+APP_VERSION = "2.5.0"
+APP_CODENAME = "Canifa AI Stylist"
+
+
+def _mask_key(key: str | None) -> str:
+    """Mask API key for safe display."""
+    if not key:
+        return "❌ Not Set"
+    if len(key) <= 8:
+        return "****"
+    return f"{key[:4]}...{key[-4:]}"
+
+
+def _check_service_status(name: str) -> dict:
+    """Check service availability based on config presence."""
+    checks = {
+        "Redis": bool(REDIS_HOST),
+        "MongoDB": bool(MONGODB_URI),
+        "Langfuse": bool(LANGFUSE_SECRET_KEY and LANGFUSE_PUBLIC_KEY),
+        "Supabase (AI)": bool(AI_SUPABASE_URL),
+        "Supabase (Conv)": bool(CONV_SUPABASE_URL),
+        "StarRocks": bool(STARROCKS_HOST),
+        "OpenAI": bool(OPENAI_API_KEY),
+        "Google AI": bool(GOOGLE_API_KEY),
+        "Groq": bool(GROQ_API_KEY),
+    }
+    configured = checks.get(name, False)
+    return {
+        "name": name,
+        "configured": configured,
+        "status": "✅ Configured" if configured else "❌ Not Configured",
+    }
+
+
+@router.get("/api/dashboard/info", summary="Get dashboard system info")
+async def dashboard_info():
+    """Return comprehensive system information for the dashboard."""
+
+    # Uptime calculation
+    uptime_seconds = int(time.time() - _SERVER_START_TIME)
+    hours, remainder = divmod(uptime_seconds, 3600)
+    minutes, seconds = divmod(remainder, 60)
+    uptime_str = f"{hours}h {minutes}m {seconds}s"
+
+    # Service health checks
+    services = [
+        _check_service_status("Redis"),
+        _check_service_status("MongoDB"),
+        _check_service_status("Langfuse"),
+        _check_service_status("Supabase (AI)"),
+        _check_service_status("Supabase (Conv)"),
+        _check_service_status("StarRocks"),
+        _check_service_status("OpenAI"),
+        _check_service_status("Google AI"),
+        _check_service_status("Groq"),
+    ]
+
+    # Count healthy services
+    healthy_count = sum(1 for s in services if s["configured"])
+    total_count = len(services)
+
+    # Feedback stats (safe import)
+    feedback_stats = {}
+    try:
+        from common.feedback_tracker import get_feedback_stats
+        feedback_stats = get_feedback_stats()
+    except Exception as e:
+        logger.warning(f"Could not load feedback stats: {e}")
+        feedback_stats = {"error": str(e)}
+
+    # Git info
+    git_info = {"branch": "unknown", "commit": "unknown"}
+    try:
+        import subprocess
+        git_branch = subprocess.check_output(
+            ["git", "rev-parse", "--abbrev-ref", "HEAD"],
+            cwd=os.path.dirname(os.path.abspath(__file__)),
+            text=True,
+            timeout=5,
+        ).strip()
+        git_commit = subprocess.check_output(
+            ["git", "rev-parse", "--short", "HEAD"],
+            cwd=os.path.dirname(os.path.abspath(__file__)),
+            text=True,
+            timeout=5,
+        ).strip()
+        git_info = {"branch": git_branch, "commit": git_commit}
+    except Exception:
+        pass
+
+    # Registered API routes
+    from server import app as fastapi_app
+    routes = []
+    for route in fastapi_app.routes:
+        if hasattr(route, "methods") and hasattr(route, "path"):
+            routes.append({
+                "path": route.path,
+                "methods": list(route.methods),
+                "name": getattr(route, "name", ""),
+            })
+
+    return {
+        "system": {
+            "app_name": APP_CODENAME,
+            "app_version": APP_VERSION,
+            "python_version": platform.python_version(),
+            "os": f"{platform.system()} {platform.release()}",
+            "uptime": uptime_str,
+            "uptime_seconds": uptime_seconds,
+            "server_port": PORT,
+            "started_at": datetime.fromtimestamp(_SERVER_START_TIME, tz=timezone.utc).isoformat(),
+        },
+        "llm": {
+            "default_model": DEFAULT_MODEL,
+            "openai_key": _mask_key(OPENAI_API_KEY),
+            "google_key": _mask_key(GOOGLE_API_KEY),
+            "groq_key": _mask_key(GROQ_API_KEY),
+        },
+        "services": services,
+        "services_summary": {
+            "healthy": healthy_count,
+            "total": total_count,
+            "health_pct": round(healthy_count / total_count * 100) if total_count else 0,
+        },
+        "config": {
+            "rate_limit_guest": RATE_LIMIT_GUEST,
+            "rate_limit_user": RATE_LIMIT_USER,
+            "conversation_storage": "MongoDB" if USE_MONGO_CONVERSATION else "Supabase",
+            "mongodb_db": MONGODB_DB_NAME,
+            "redis_host": REDIS_HOST or "N/A",
+            "redis_port": REDIS_PORT,
+            "langfuse_url": LANGFUSE_BASE_URL or "N/A",
+            "starrocks_db": STARROCKS_DB or "N/A",
+        },
+        "git": git_info,
+        "feedback": feedback_stats,
+        "routes": routes,
+        "timestamp": datetime.now(tz=timezone.utc).isoformat(),
+    }

backend/api/experiment_links_route.py

+"""
+Experiment Links API — dynamic sidebar links for "Thử nghiệm" section.
+Supports: CRUD links, description, version history.
+"""
+import json
+import uuid
+from datetime import datetime
+from pathlib import Path
+from typing import Optional
+
+from fastapi import APIRouter, HTTPException
+from pydantic import BaseModel
+
+router = APIRouter(prefix="/api/dashboard", tags=["Experiment Links"])
+
+DATA_FILE = Path(__file__).parent.parent / "data" / "experiment_links.json"
+
+
+class LinkCreate(BaseModel):
+    name: str
+    url: str
+    icon: str = "🔗"
+    badge: Optional[str] = None
+    badge_type: Optional[str] = None
+    description: Optional[str] = None
+
+
+class LinkUpdate(BaseModel):
+    name: Optional[str] = None
+    url: Optional[str] = None
+    icon: Optional[str] = None
+    badge: Optional[str] = None
+    badge_type: Optional[str] = None
+    description: Optional[str] = None
+
+
+class VersionCreate(BaseModel):
+    version: str
+    author: str
+    note: str
+
+
+def _load() -> list:
+    if DATA_FILE.exists():
+        return json.loads(DATA_FILE.read_text(encoding="utf-8"))
+    return []
+
+
+def _save(data: list):
+    DATA_FILE.parent.mkdir(parents=True, exist_ok=True)
+    DATA_FILE.write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
+
+
+def _find(data: list, link_id: str):
+    for item in data:
+        if item["id"] == link_id:
+            return item
+    return None
+
+
+# ─── CRUD Links ───
+
+@router.get("/experiment-links", summary="List experiment links")
+async def list_links():
+    return _load()
+
+
+@router.get("/experiment-links/{link_id}", summary="Get experiment link detail")
+async def get_link(link_id: str):
+    data = _load()
+    item = _find(data, link_id)
+    if not item:
+        raise HTTPException(404, "Link not found")
+    return item
+
+
+@router.post("/experiment-links", summary="Add experiment link")
+async def add_link(body: LinkCreate):
+    data = _load()
+    item = {
+        "id": f"exp_{uuid.uuid4().hex[:8]}",
+        "name": body.name,
+        "url": body.url,
+        "icon": body.icon,
+        "badge": body.badge,
+        "badge_type": body.badge_type,
+        "pinned": False,
+        "description": body.description or "",
+        "versions": [],
+        "created_at": datetime.now().isoformat(),
+    }
+    data.append(item)
+    _save(data)
+    return item
+
+
+@router.put("/experiment-links/{link_id}", summary="Update experiment link")
+async def update_link(link_id: str, body: LinkUpdate):
+    data = _load()
+    item = _find(data, link_id)
+    if not item:
+        raise HTTPException(404, "Link not found")
+    if body.name is not None: item["name"] = body.name
+    if body.url is not None: item["url"] = body.url
+    if body.icon is not None: item["icon"] = body.icon
+    if body.badge is not None: item["badge"] = body.badge
+    if body.badge_type is not None: item["badge_type"] = body.badge_type
+    if body.description is not None: item["description"] = body.description
+    _save(data)
+    return item
+
+
+@router.delete("/experiment-links/{link_id}", summary="Delete experiment link")
+async def delete_link(link_id: str):
+    data = _load()
+    new_data = [x for x in data if x["id"] != link_id]
+    if len(new_data) == len(data):
+        raise HTTPException(404, "Link not found")
+    _save(new_data)
+    return {"ok": True}
+
+
+# ─── Version History ───
+
+@router.post("/experiment-links/{link_id}/versions", summary="Add version entry")
+async def add_version(link_id: str, body: VersionCreate):
+    data = _load()
+    item = _find(data, link_id)
+    if not item:
+        raise HTTPException(404, "Link not found")
+    if "versions" not in item:
+        item["versions"] = []
+    entry = {
+        "version": body.version,
+        "date": datetime.now().strftime("%Y-%m-%d"),
+        "author": body.author,
+        "note": body.note,
+    }
+    item["versions"].insert(0, entry)  # newest first
+    _save(data)
+    return entry
+
+
+@router.delete("/experiment-links/{link_id}/versions/{idx}", summary="Delete version entry")
+async def delete_version(link_id: str, idx: int):
+    data = _load()
+    item = _find(data, link_id)
+    if not item:
+        raise HTTPException(404, "Link not found")
+    versions = item.get("versions", [])
+    if idx < 0 or idx >= len(versions):
+        raise HTTPException(404, "Version not found")
+    versions.pop(idx)
+    _save(data)
+    return {"ok": True}

backend/api/text_to_sql_route.py

+"""
+Text-to-SQL Chat API — Bản 2 chatbot logic.
+User hỏi → LLM sinh SQL → DB → LLM response.
+"""
+import logging
+
+from fastapi import APIRouter
+from pydantic import BaseModel
+
+from agent.text_to_sql import text_to_sql_chat
+
+logger = logging.getLogger(__name__)
+router = APIRouter(prefix="/api")
+
+
+class TextToSQLRequest(BaseModel):
+    user_query: str
+
+
+@router.post("/v2/chat")
+async def v2_chat(req: TextToSQLRequest):
+    """
+    Bản 2: Text-to-SQL chatbot.
+    User hỏi → LLM sinh SQL → chọc DB → LLM viết response.
+    """
+    logger.info("🤖 [V2] Text-to-SQL chat: %s", req.user_query[:100])
+
+    try:
+        result = await text_to_sql_chat(req.user_query)
+        return {
+            "status": "success",
+            "ai_response": result["ai_response"],
+            "products": result["products"],
+            "sql": result["sql"],
+            "timing": result["timing"],
+            "product_count": result["product_count"],
+        }
+    except Exception as e:
+        logger.exception("❌ [V2] Error: %s", e)
+        return {
+            "status": "error",
+            "ai_response": f"Xin lỗi, có lỗi xảy ra: {str(e)}",
+            "products": [],
+            "sql": "",
+            "timing": {},
+            "product_count": 0,
+        }

backend/common/llm_factory.py

 """
-LLM Factory - OpenAI LLM creation with caching.
-Manages initialization and caching of OpenAI models.
+LLM Factory - Multi-provider LLM creation with caching.
+Supports OpenAI, Groq, and Google Gemini models.
 """
 
 import contextlib
 import logging
 
 from langchain_core.language_models import BaseChatModel
+from langchain_google_genai import ChatGoogleGenerativeAI
 from langchain_openai import ChatOpenAI, OpenAIEmbeddings
 
-from config import GROQ_API_KEY, OPENAI_API_KEY
+from config import GOOGLE_API_KEY, GROQ_API_KEY, OPENAI_API_KEY
 
 logger = logging.getLogger(__name__)
 
 
 class LLMFactory:
-    """Singleton factory for managing OpenAI LLM instances with caching."""
+    """Singleton factory for managing LLM instances with caching (OpenAI, Groq, Gemini)."""
 
     COMMON_MODELS: list[str] = [
-        "gpt-4o-mini",
-        "gpt-4o",
-        "gpt-5-nano",
-        "gpt-5-mini",
+        "gemini-3.1-flash-lite-preview",
     ]
 
     def __init__(self):
@@ -64,9 +62,15 @@ class LLMFactory:
         json_mode: bool = False,
         api_key: str | None = None,
     ) -> BaseChatModel:
-        """Create and cache a new OpenAI LLM instance."""
+        """Create and cache a new LLM instance (auto-detect provider)."""
         try:
-            llm = self._create_openai(model_name, streaming, json_mode, api_key)
+            # Auto-detect: Gemini models use Google API
+            is_gemini = "gemini" in model_name.lower()
+
+            if is_gemini:
+                llm = self._create_gemini(model_name, streaming, json_mode, api_key)
+            else:
+                llm = self._create_openai(model_name, streaming, json_mode, api_key)
 
             cache_key = (model_name, streaming, json_mode, api_key)
             self._cache[cache_key] = llm
@@ -76,6 +80,29 @@ class LLMFactory:
             logger.error(f"❌ Failed to create model {model_name}: {e}")
             raise
 
+    def _create_gemini(self, model_name: str, streaming: bool, json_mode: bool, api_key: str | None) -> BaseChatModel:
+        """Create Google Gemini model instance. Always uses GOOGLE_API_KEY (ignores api_key param which may be OpenAI key)."""
+        key = GOOGLE_API_KEY
+        if not key:
+            raise ValueError("GOOGLE_API_KEY is required for Gemini models. Set it in .env")
+
+        llm_kwargs = {
+            "model": model_name,
+            "google_api_key": key,
+            "temperature": 0,
+            "max_output_tokens": 1500,
+            "streaming": streaming,
+        }
+
+        if json_mode:
+            llm_kwargs["response_mime_type"] = "application/json"
+            logger.info(f"⚙️ Initializing Gemini in JSON mode: {model_name}")
+
+        logger.warning(f"🔍 DEBUG: provider=Gemini | model={model_name} | key={key[:10]}...")
+        llm = ChatGoogleGenerativeAI(**llm_kwargs)
+        logger.info(f"✅ Created Gemini: {model_name} | Streaming: {streaming}")
+        return llm
+
     def _create_openai(self, model_name: str, streaming: bool, json_mode: bool, api_key: str | None) -> BaseChatModel:
         """Create OpenAI-compatible model instance (OpenAI or Groq)."""
 

backend/config.py

@@ -76,8 +76,8 @@ OPENAI_API_KEY: str | None = os.getenv("OPENAI_API_KEY")
 GOOGLE_API_KEY: str | None = os.getenv("GOOGLE_API_KEY")
 GROQ_API_KEY: str | None = os.getenv("GROQ_API_KEY")
 
-DEFAULT_MODEL: str = os.getenv("DEFAULT_MODEL", "gpt-5.1-codex-mini")
-# DEFAULT_MODEL: str = os.getenv("DEFAULT_MODEL")
+DEFAULT_MODEL: str = os.getenv("DEFAULT_MODEL", "gemini-3.1-flash-lite-preview")
+# DEFAULT_MODEL: str = os.getenv("DEFAULT_MODEL", "gpt-5.1-codex-mini")
 
 # ====================== JWT CONFIGURATION ======================
 JWT_SECRET: str | None = os.getenv("JWT_SECRET")

backend/data/dashboard_changelog.json

+[
+  {
+    "id": "6b140c60",
+    "content": "Chuyển model sang Gemini 3.1 Flash Lite, giảm 56% prompt size",
+    "author": "Hoàng",
+    "created_at": "2026-03-11T13:19:02.064155"
+  },
+  {
+    "id": "d6899b16",
+    "content": "Fix bug tìm áo bra, sửa mapping product trong search",
+    "author": "Minh",
+    "created_at": "2026-03-11T13:20:25.444289"
+  }
+]
\ No newline at end of file

backend/data/dashboard_links.json

+[
+  {
+    "id": "916c2a97",
+    "title": "Langfuse Monitoring",
+    "url": "http://172.16.2.207:3009",
+    "description": "LLM observability & tracing dashboard — theo dõi traces, scores, prompts",
+    "category": "tool",
+    "icon": "🔍",
+    "pinned": true,
+    "created_at": "2026-03-11T11:20:58.996492",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c301",
+    "title": "LiteLLM Proxy",
+    "url": "http://172.16.2.207:4000",
+    "description": "LLM Gateway — proxy OpenAI/Gemini/Ollama models, quản lý API keys & rate limits",
+    "category": "tool",
+    "icon": "🤖",
+    "pinned": true,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c302",
+    "title": "n8n Workflows",
+    "url": "http://172.16.2.207:5678",
+    "description": "Workflow automation — test chatbot, auto-test hàng ngày, tích hợp Google Sheets",
+    "category": "tool",
+    "icon": "⚡",
+    "pinned": false,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c306",
+    "title": "n8n Auto-Test Workflow",
+    "url": "http://172.16.2.207:5678/workflow/EPB44XlnVAi6FCnl",
+    "description": "Workflow test tự động chatbot — chạy daily 8:00 AM, log kết quả lên Google Sheets",
+    "category": "tool",
+    "icon": "🧪",
+    "pinned": false,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c307",
+    "title": "Test Conversation Observer",
+    "url": "http://172.16.2.207:5000/static/history.html",
+    "description": "Xem lịch sử hội thoại test — review chất lượng bot responses",
+    "category": "tool",
+    "icon": "🧾",
+    "pinned": false,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c308",
+    "title": "Redis Cache",
+    "url": "redis://172.16.2.207:6379",
+    "description": "Cache layer — response cache, user insight, session data",
+    "category": "api",
+    "icon": "🗄️",
+    "pinned": false,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c309",
+    "title": "Chatbot API Docs",
+    "url": "http://172.16.2.207:5000/docs",
+    "description": "Swagger UI — tất cả API endpoints, test trực tiếp trên browser",
+    "category": "api",
+    "icon": "📚",
+    "pinned": false,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c310",
+    "title": "ReDoc API Reference",
+    "url": "http://172.16.2.207:5000/redoc",
+    "description": "API documentation dạng ReDoc — clean, dễ đọc",
+    "category": "doc",
+    "icon": "📖",
+    "pinned": false,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  },
+  {
+    "id": "a1b2c311",
+    "title": "Meilisearch Dashboard",
+    "url": "http://172.16.2.207:7700",
+    "description": "Search engine dashboard — quản lý index sản phẩm, test search queries",
+    "category": "tool",
+    "icon": "🔎",
+    "pinned": false,
+    "created_at": "2026-03-11T14:15:00.000000",
+    "author": "Admin"
+  }
+]
\ No newline at end of file

backend/data/dashboard_notes.json

+[
+  {
+    "id": "cb7bd624",
+    "title": "📋 Sprint Planning - Tuần 11/3",
+    "content": "- Fix bug bra product search\n- Optimize Gemini Flash Lite prompts\n- Deploy dashboard v2\n- Test feedback classification pipeline",
+    "category": "note",
+    "pinned": true,
+    "color": "#58a6ff",
+    "created_at": "2026-03-11T11:09:36.094936",
+    "updated_at": "2026-03-11T11:09:36.094936",
+    "author": "Admin"
+  },
+  {
+    "id": "13e03ea7",
+    "title": "con mèo",
+    "content": "con mèo kêu meo meo",
+    "category": "note",
+    "pinned": false,
+    "color": "#a78bfa",
+    "created_at": "2026-03-11T13:49:23.456793",
+    "updated_at": "2026-03-11T13:49:23.456793",
+    "author": "Admin"
+  }
+]
\ No newline at end of file

backend/data/experiment_links.json

+[
+    {
+        "id": "exp_chatbot_prod",
+        "name": "Chatbot (Production)",
+        "url": "http://172.16.2.207:5005/static/index.html",
+        "icon": "💬",
+        "badge": null,
+        "badge_type": null,
+        "section": "main",
+        "pinned": true,
+        "description": "Chatbot AI Stylist Canifa — phiên bản production đang chạy trên server 172.16.2.207. Đây là bản ổn định dùng cho team test và demo.",
+        "versions": [
+            { "version": "v5.10", "date": "2026-03-11", "author": "Dev", "note": "Phiên bản ổn định, đã deploy production" }
+        ]
+    },
+    {
+        "id": "exp_1",
+        "name": "Text-to-SQL",
+        "url": "/static/test_sql.html",
+        "icon": "🗄️",
+        "badge": "BETA",
+        "badge_type": "beta",
+        "pinned": true,
+        "description": "Cho phép hỏi database bằng tiếng Việt, tự convert thành SQL query và trả kết quả trực tiếp.",
+        "versions": [
+            { "version": "v0.1", "date": "2026-03-08", "author": "Dev", "note": "Bản đầu tiên — hỗ trợ SELECT cơ bản" }
+        ]
+    },
+    {
+        "id": "exp_2",
+        "name": "DB Test",
+        "url": "/static/test_db.html",
+        "icon": "🔍",
+        "badge": "BETA",
+        "badge_type": "beta",
+        "pinned": true,
+        "description": "Test trực tiếp các truy vấn database, xem dữ liệu sản phẩm và stock.",
+        "versions": [
+            { "version": "v0.1", "date": "2026-03-08", "author": "Dev", "note": "Bản đầu tiên — query trực tiếp" }
+        ]
+    },
+    {
+        "id": "exp_3",
+        "name": "Feedback Demo",
+        "url": "/static/feedback_demo.html",
+        "icon": "📝",
+        "badge": "NEW",
+        "badge_type": "new",
+        "pinned": true,
+        "description": "Demo hệ thống feedback Like/Dislike/Complaint cho chatbot, phân loại tự động bằng AI.",
+        "versions": [
+            { "version": "v0.1", "date": "2026-03-10", "author": "Dev", "note": "Bản đầu tiên — Like/Dislike + Complaint form" }
+        ]
+    },
+    {
+        "id": "exp_chatbot_dev",
+        "name": "Chatbot (Dev)",
+        "url": "/static/index.html",
+        "icon": "💬",
+        "badge": "DEV",
+        "badge_type": "dev",
+        "pinned": true,
+        "description": "Phiên bản dev của Chatbot, chạy trên localhost. Dùng để test tính năng mới trước khi deploy lên production.",
+        "versions": [
+            { "version": "v5.10", "date": "2026-03-11", "author": "Dev", "note": "Version hiện tại — dev localhost" }
+        ]
+    }
+]
\ No newline at end of file

backend/data/feedbacks.json

@@ -306,5 +306,27 @@
     "ai_summary": "Khách hàng phản ánh không hài lòng, sử dụng từ ngữ không rõ ràng",
     "processed": false,
     "created_at": "2026-03-09T02:17:52.363066+00:00"
+  },
+  {
+    "trace_id": "98696c23bbeb6169aa0346895da21be1",
+    "rating": 1,
+    "comment": "",
+    "user_category": "",
+    "ai_category": "khac",
+    "ai_severity": "",
+    "ai_summary": "",
+    "processed": false,
+    "created_at": "2026-03-09T07:44:50.904293+00:00"
+  },
+  {
+    "trace_id": "98696c23bbeb6169aa0346895da21be1",
+    "rating": 1,
+    "comment": "dùng chán bỏ mẹ ra",
+    "user_category": "",
+    "ai_category": "khac",
+    "ai_severity": "",
+    "ai_summary": "",
+    "processed": false,
+    "created_at": "2026-03-09T07:44:57.206574+00:00"
   }
 ]
\ No newline at end of file

backend/docker-compose.dev.yml

@@ -5,7 +5,7 @@ services:
     container_name: canifa_backend
     env_file: .env
     ports:
-      - "5000:5000"
+      - "5005:5000"
     volumes:
       - .:/app
     environment:

backend/docker-compose.prod.yml

@@ -7,7 +7,7 @@ services:
     container_name: canifa_backend
     env_file: .env
     ports:
-      - "5000:5000"
+      - "5005:5000"
     volumes:
       - .:/app
     environment:

backend/server.py

@@ -17,6 +17,10 @@ from api.stock_route import router as stock_router
 from api.tool_prompt_route import router as tool_prompt_router
 from api.n8n_api_route import router as n8n_router
 from api.feedback_route import router as feedback_router
+from api.text_to_sql_route import router as text_to_sql_router
+from api.dashboard_route import router as dashboard_router
+from api.notes_route import router as notes_router
+from api.experiment_links_route import router as experiment_links_router
 from common.cache import redis_cache
 from common.middleware import middleware_manager
 from config import PORT
@@ -56,7 +60,7 @@ async def startup_event():
 
 
 @app.get("/")
-async def root():
+async def root():       
     return RedirectResponse(url="/static/index.html")
 
 
@@ -98,6 +102,10 @@ app.include_router(mock_router)
 app.include_router(stock_router)
 app.include_router(n8n_router)
 app.include_router(feedback_router)
+app.include_router(text_to_sql_router)  # Bản 2: Text-to-SQL
+app.include_router(dashboard_router)  # Dashboard overview
+app.include_router(notes_router)  # Dashboard team notes
+app.include_router(experiment_links_router)  # Experiment links sidebar
 
 
 if __name__ == "__main__":

backend/tesst.py

+from google import genai
+
+client = genai.Client(api_key="AIzaSyBTbQ5rTuvRghJBVdNmi0IcLG20vmnNTwA")
+
+response = client.models.generate_content(
+    model="gemini-3.1-flash-lite-preview",
+    contents="Explain how AI works in a few words",
+)
+
+print(response.text)