feat: add dedicated store search tool + fix typo handling

- NEW: store_search_tool.py - query dedicated store table
- NEW: store_search_tool.txt - tool prompt
- UPDATE: brand_knowledge_tool.py - pure semantic search
- UPDATE: product_mapping.py - fuzzy match for typos
- UPDATE: system_prompt.txt - section 5.5.1 canifa_store_search
- UPDATE: get_tools.py + prompt_utils.py - register new tool
- UPDATE: promotion_canifa_tool.py - new salerule table
- All prompts pushed to Langfuse

backend/agent/controller.py

@@ -270,7 +270,8 @@ async def chat_controller(
             raw_content = streaming_callback.accumulated_content
             if raw_content:
                 try:
-                    ai_json = json.loads(raw_content)
+                    raw_normalized = raw_content.replace("{{", "{").replace("}}", "}")
+                    ai_json = json.loads(raw_normalized)
                     if isinstance(ai_json, dict):
                         ai_text_response = ai_json.get("ai_response", ai_text_response)
                         if not final_product_ids and isinstance(ai_json.get("product_ids"), list):
@@ -289,7 +290,8 @@ async def chat_controller(
         # Parse JSON-wrapped ai_response
         if ai_text_response and ai_text_response.lstrip().startswith("{"):
             try:
-                ai_json = json.loads(ai_text_response)
+                ai_normalized = ai_text_response.replace("{{", "{").replace("}}", "}")
+                ai_json = json.loads(ai_normalized)
                 if isinstance(ai_json, dict):
                     ai_text_response = ai_json.get("ai_response", ai_text_response)
                     if not final_product_ids and isinstance(ai_json.get("product_ids"), list):

backend/agent/controller_helpers.py

@@ -58,8 +58,11 @@ async def extract_and_save_user_insight(json_content: str, identity_key: str) ->
     logger.info(f"🔄 [Background] Starting user_insight extraction for {identity_key}")
 
     try:
+        # Normalize double braces → single (LLM sometimes outputs {{ }} per prompt instruction)
+        normalized = json_content.replace("{{", "{").replace("}}", "}")
+
         # Regex match user_insight object
-        insight_match = re.search(r'"user_insight"\s*:\s*(\{.*?\})\s*}?\s*$', json_content, re.DOTALL)
+        insight_match = re.search(r'"user_insight"\s*:\s*(\{.*?\})\s*}?\s*$', normalized, re.DOTALL)
 
         if insight_match:
             insight_json_str = insight_match.group(1)

backend/agent/graph.py

@@ -5,6 +5,7 @@ Tất cả resources (LLM, Tools) khởi tạo trong __init__.
 Sử dụng ConversationManager (Postgres) để lưu history thay vì checkpoint.
 """
 
+import hashlib
 import logging
 from datetime import datetime
 from typing import Any
@@ -50,14 +51,28 @@ class CANIFAGraph:
         self.llm_with_tools = self.llm.bind_tools(self.all_tools, strict=True)
         self.cache = InMemoryCache()
 
+        # Chain caching: avoid rebuilding ChatPromptTemplate every turn
+        self._cached_chain = None
+        self._cached_prompt_hash: str | None = None
+
     def _build_chain(self, system_prompt_template: str):
-        """Build chain with dynamic system prompt (fetched from Langfuse per request)."""
+        """Build chain with dynamic system prompt (fetched from Langfuse per request).
+        Caches the chain and only rebuilds when prompt content changes.
+        """
+        # Check if prompt changed via hash comparison
+        prompt_hash = hashlib.md5(system_prompt_template.encode()).hexdigest()
+
+        if self._cached_chain is not None and self._cached_prompt_hash == prompt_hash:
+            return self._cached_chain
+
+        logger.info("🔄 Building new chain (prompt hash changed)" if self._cached_chain else "🔧 Building initial chain")
+
         prompt_template = ChatPromptTemplate.from_messages(
             [
                 ("system", system_prompt_template),
                 (
                     "system",
-                    "===== USER INSIGHT (TỪ TURN TRƯỚC) =====\n⚡ BẮT BUỘC: Đọc [NEXT] bên dưới và THỰC HIỆN chiến lược đã lên kế hoạch!\n\n{user_insight}\n=====================================",
+                    "===== USER INSIGHT (TỪ TURN TRƯỚC) =====\n⚡ BẮT BUỘC: Đọc [LAST_ACTION] bên dưới để hiểu context turn trước, rồi tự suy ra bước tiếp theo!\n\n{user_insight}\n=====================================",
                 ),
                 ("system", "Chat History:"),
                 MessagesPlaceholder(variable_name="history"),
@@ -66,7 +81,9 @@ class CANIFAGraph:
                 MessagesPlaceholder(variable_name="messages"),
             ]
         )
-        return prompt_template | self.llm_with_tools
+        self._cached_chain = prompt_template | self.llm_with_tools
+        self._cached_prompt_hash = prompt_hash
+        return self._cached_chain
 
     async def _agent_node(self, state: AgentState, config: RunnableConfig) -> dict:
         """Agent node - Chỉ việc đổ dữ liệu riêng vào khuôn đã có sẵn."""
@@ -97,14 +114,13 @@ class CANIFAGraph:
                 logger.info(f"📸 [IMAGE] Image size: {len(img)} chars")
             user_query = HumanMessage(content=multimodal_content)
             logger.info(f"📸 [IMAGE] Injected {len(transient_images)} image(s) into user_query")
-        # Invoke chain with user_query, history, and messages
         # Invoke chain with history, user_query, messages (scratchpad), and user_insight
         user_insight_text = (
             state.get("user_insight")
             or "⚠️ TRẠNG THÁI KHỞI TẠO: Chưa có User Insight từ lịch sử. Hãy bắt đầu thu thập thông tin mới (Nếu thiếu thông tin thì ghi 'Chưa rõ')."
         )
 
-        # Fetch prompt from Langfuse DYNAMICALLY per request (cache_ttl=0 → 30ms)
+        # Fetch prompt from Langfuse (cached 5min by SDK) + build chain (cached by hash)
         current_date_str = datetime.now().strftime("%d/%m/%Y")
         system_prompt_template = get_system_prompt_template()
         chain = self._build_chain(system_prompt_template)
@@ -208,3 +224,13 @@ def get_graph_manager(
 def reset_graph() -> None:
     """Reset singleton for testing."""
     _instance[0] = None
+
+
+def reset_chain_cache() -> None:
+    """Reset only the cached chain (when prompt changes).
+    Keeps the graph/LLM/tools intact, only forces chain rebuild on next request.
+    """
+    if _instance[0] is not None:
+        _instance[0]._cached_chain = None
+        _instance[0]._cached_prompt_hash = None
+        logger.info("🔄 Chain cache cleared — will rebuild on next request")

backend/agent/prompt_utils.py

 """
 Prompt Utilities — ALL prompts from Langfuse.
 System prompt + Tool prompts, single source of truth.
+Uses 60-second cache TTL — auto-detects Langfuse prompt changes within 1 minute.
 """
 
 import logging
@@ -17,6 +18,7 @@ LANGFUSE_TOOL_PROMPT_MAP = {
     "check_is_stock": "canifa-tool-check-stock",
     "data_retrieval_tool": "canifa-tool-data-retrieval",
     "promotion_canifa_tool": "canifa-tool-promotion",
+    "store_search_tool": "canifa-tool-store-search",
 }
 
 _langfuse_client: Langfuse | None = None
@@ -31,15 +33,24 @@ def _get_langfuse() -> Langfuse:
 def get_system_prompt() -> str:
     """System prompt với ngày hiện tại đã inject."""
     lf = _get_langfuse()
-    prompt = lf.get_prompt(LANGFUSE_SYSTEM_PROMPT_NAME, label="production", cache_ttl_seconds=0)
+    prompt = lf.get_prompt(LANGFUSE_SYSTEM_PROMPT_NAME, label="production", cache_ttl_seconds=60)
     return prompt.compile(date_str=datetime.now().strftime("%d/%m/%Y"))
 
 
 def get_system_prompt_template() -> str:
-    """Template chưa replace date_str — dùng cho ChatPromptTemplate."""
+    """Template chưa replace date_str — dùng cho ChatPromptTemplate.
+
+    Langfuse SDK `.prompt` un-escapes {{ → { for non-variable content,
+    but LangChain ChatPromptTemplate needs {{ for literal braces.
+    So we re-escape ALL { } first, then convert only {{date_str}} → {date_str}.
+    """
     lf = _get_langfuse()
-    prompt = lf.get_prompt(LANGFUSE_SYSTEM_PROMPT_NAME, label="production", cache_ttl_seconds=0)
-    return prompt.prompt.replace("{{date_str}}", "{date_str}")
+    prompt = lf.get_prompt(LANGFUSE_SYSTEM_PROMPT_NAME, label="production", cache_ttl_seconds=60)
+    # 1) Re-escape all curly braces for LangChain (literal { → {{, } → }})
+    raw = prompt.prompt.replace("{", "{{").replace("}", "}}")
+    # 2) Convert only the date_str variable back to LangChain format
+    #    After step 1, {{date_str}} became {{{{date_str}}}} → convert to {date_str}
+    return raw.replace("{{{{date_str}}}}", "{date_str}")
 
 
 def read_tool_prompt(filename: str, default_prompt: str = "") -> str:
@@ -51,7 +62,7 @@ def read_tool_prompt(filename: str, default_prompt: str = "") -> str:
         return default_prompt
 
     lf = _get_langfuse()
-    prompt = lf.get_prompt(langfuse_name, label="production", cache_ttl_seconds=0)
+    prompt = lf.get_prompt(langfuse_name, label="production", cache_ttl_seconds=60)
     return prompt.prompt
 
 
@@ -78,3 +89,27 @@ def write_tool_prompt(filename: str, content: str) -> bool:
 def list_tool_prompts() -> list[str]:
     """List available tool prompt names."""
     return sorted(LANGFUSE_TOOL_PROMPT_MAP.keys())
+
+
+def force_refresh_prompts() -> str:
+    """Force refresh ALL prompt caches by fetching with cache_ttl=0.
+    Call this after updating prompts on Langfuse to take effect immediately.
+    Returns the new system prompt template (LangChain-ready).
+    """
+    lf = _get_langfuse()
+
+    # 1) Force refresh system prompt (bypasses SDK cache)
+    prompt = lf.get_prompt(LANGFUSE_SYSTEM_PROMPT_NAME, label="production", cache_ttl_seconds=0)
+    raw = prompt.prompt.replace("{", "{{").replace("}", "}}")
+    new_template = raw.replace("{{{{date_str}}}}", "{date_str}")
+
+    # 2) Force refresh all tool prompts
+    for name_key, langfuse_name in LANGFUSE_TOOL_PROMPT_MAP.items():
+        try:
+            lf.get_prompt(langfuse_name, label="production", cache_ttl_seconds=0)
+            logger.info(f"🔄 Force refreshed tool prompt: {name_key}")
+        except Exception as e:
+            logger.warning(f"⚠️ Failed to refresh tool prompt '{name_key}': {e}")
+
+    logger.info(f"✅ All prompts force refreshed (version: {prompt.version})")
+    return new_template

backend/agent/structured_models.py

@@ -30,9 +30,9 @@ class UserInsight(BaseModel):
         default="Chưa có",
         description="Sản phẩm vừa mới hỏi/xem gần nhất"
     )
-    NEXT: str = Field(
-        default="Cần hỏi thêm thông tin.",
-        description="Chiến lược tiếp theo của bot"
+    LAST_ACTION: str = Field(
+        default="Chưa có hành động nào.",
+        description="Hành động bot VỪA thực hiện ở turn này (FACTUAL)"
     )
     SUMMARY_HISTORY: str = Field(
         default="",

backend/agent/tool_prompts/store_search_tool.txt

+Tìm kiếm cửa hàng CANIFA theo địa điểm, khu vực, quận/huyện/tỉnh/thành phố.
+
+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:
+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
+
+Tham số:
+- location (bắt buộc): Tên quận/huyện/tỉnh/thành phố/địa chỉ. Bỏ prefix "quận", "huyện", "tỉnh", "tp" khi truyền vào.

backend/agent/tools/brand_knowledge_tool.py

@@ -11,12 +11,12 @@ from common.starrocks_connection import get_db_connection
 logger = logging.getLogger(__name__)
 
 # Constants
-TOP_K_RESULTS = 4
+TOP_K_RESULTS = 10
 
 
 class KnowledgeSearchInput(BaseModel):
     query: str = Field(
-        description="Câu hỏi hoặc nhu cầu tìm kiếm thông tin phi sản phẩm của khách hàng (ví dụ: tìm cửa hàng, hỏi chính sách, tra bảng size...). KHÔNG DÙNG ĐỂ TÌM SẢN PHẨM."
+        description="Câu hỏi hoặc nhu cầu tìm kiếm thông tin phi sản phẩm của khách hàng (ví dụ: hỏi chính sách, tra bảng size...). KHÔNG DÙNG ĐỂ TÌM SẢN PHẨM. KHÔNG DÙNG ĐỂ TÌM CỬA HÀNG (dùng canifa_store_search)."
     )
 
 
@@ -24,11 +24,12 @@ class KnowledgeSearchInput(BaseModel):
 async def canifa_knowledge_search(query: str) -> str:
     """
     (Placeholder docstring - Actual prompt is loaded from file)
-    Tra cứu thông tin thương hiệu Canifa (Cửa hàng, chính sách, KHTT...).
+    Tra cứu thông tin thương hiệu Canifa (chính sách, KHTT, bảng size...).
+    KHÔNG dùng để tìm cửa hàng — dùng canifa_store_search.
     """
     logger.info(f"🔍 [Semantic Search] Brand Knowledge query: {query}")
     try:
-        # 1. Tạo embedding cho câu hỏi (Mặc định 1536 chiều như bro yêu cầu)
+        # 1. Tạo embedding cho câu hỏi
         query_vector = await create_embedding_async(query)
         if not query_vector:
             return "Xin lỗi, tôi gặp sự cố khi xử lý thông tin. Vui lòng thử lại sau."

backend/agent/tools/data_retrieval_tool.py

@@ -154,13 +154,13 @@ async def _execute_single_search(
         # Debug: Log first product to see fields
         if products:
             first_p = products[0]
-            logger.info("🔍 [DEBUG] First product keys: %s", list(first_p.keys()))
-            logger.info(
+            logger.debug("🔍 [DEBUG] First product keys: %s", list(first_p.keys()))
+            logger.debug(
                 "🔍 [DEBUG] First product price: %s, sale_price: %s",
                 first_p.get("original_price"),
                 first_p.get("sale_price"),
             )
-            logger.info(
+            logger.debug(
                 "🔍 [DEBUG] size_scale: %r, description_text: %r",
                 first_p.get("size_scale"),
                 (first_p.get("description_text") or "")[:100],

backend/agent/tools/get_tools.py

@@ -10,11 +10,12 @@ from .customer_info_tool import collect_customer_info
 from .data_retrieval_tool import data_retrieval_tool
 from .promotion_canifa_tool import canifa_get_promotions
 from .check_is_stock import check_is_stock
+from .store_search_tool import canifa_store_search
 
 
 def get_retrieval_tools() -> list[Tool]:
     """Các tool chỉ dùng để đọc/truy vấn dữ liệu (Có thể cache)"""
-    return [data_retrieval_tool, canifa_knowledge_search, canifa_get_promotions, check_is_stock]
+    return [data_retrieval_tool, canifa_knowledge_search, canifa_get_promotions, check_is_stock, canifa_store_search]
 
 
 def get_collection_tools() -> list[Tool]:

backend/agent/tools/product_mapping.py

@@ -21,12 +21,12 @@ PRODUCT_LINE_MAP: dict[str, list[str]] = {
     "Áo khoác nỉ có mũ": ["áo khoác nỉ có mũ"],
     "Áo khoác lông vũ": ["áo khoác lông vũ"],
     "Áo khoác gió": ["áo khoác gió", "áo gió", "áo khoác mỏng"],
-    "Áo khoác gilet chần bông": ["áo khoác gilet chần bông"],
+    "Áo khoác gilet chần bông": ["áo khoác gilet chần bông", "áo khoác gilet trần bông", "áo gilet chần bông", "áo gilet trần bông"],
     "Áo khoác gilet": ["áo khoác gilet"],
     "Áo khoác dạ": ["áo khoác dạ"],
     "Áo khoác dáng ngắn": ["áo khoác dáng ngắn"],
     "Áo khoác chống nắng": ["áo khoác chống nắng"],
-    "Áo khoác chần bông": ["áo khoác chần bông"],
+    "Áo khoác chần bông": ["áo khoác chần bông", "áo khoác trần bông", "áo chần bông", "áo trần bông"],
     "Áo khoác": ["áo khoác"],
     "Áo giữ nhiệt": ["áo giữ nhiệt"],
     "Áo bra active": ["áo bra active"],

backend/agent/tools/promotion_canifa_tool.py

@@ -39,12 +39,11 @@ async def canifa_get_promotions(check_date: str = None) -> str:
     try:
         sql = f"""
         SELECT 
-            rule_id,
             name,
             description,
             from_date,
             to_date
-        FROM shared_source.magento_salesrule
+        FROM shared_source.chatbot_rsa_salerule_with_text_embedding
         WHERE '{target_date}' >= DATE(from_date) 
           AND '{target_date}' <= DATE(to_date)
         ORDER BY to_date ASC

backend/agent/tools/store_search_tool.py

+import logging
+
+from langchain_core.tools import tool
+from pydantic import BaseModel, Field
+
+from agent.prompt_utils import read_tool_prompt
+from common.starrocks_connection import get_db_connection
+
+logger = logging.getLogger(__name__)
+
+STORE_TABLE = "shared_source.chatbot_rsa_store_schedule_with_text_embedding"
+
+
+class StoreSearchInput(BaseModel):
+    location: str = Field(
+        description="Tên quận/huyện/tỉnh/thành phố hoặc địa chỉ cụ thể mà khách hàng muốn tìm cửa hàng CANIFA. VD: 'Hoàng Mai', 'Cầu Giấy', 'Đà Nẵng', 'Vincom Bà Triệu'."
+    )
+
+
+@tool("canifa_store_search", args_schema=StoreSearchInput)
+async def canifa_store_search(location: str) -> str:
+    """
+    Tìm kiếm cửa hàng CANIFA theo địa điểm/khu vực.
+    Sử dụng khi khách hàng hỏi về cửa hàng tại một khu vực cụ thể.
+    """
+    logger.info(f"🏪 [Store Search] Location: {location}")
+    try:
+        sr = get_db_connection()
+
+        # Clean location: bỏ prefix generic
+        clean = location.lower().strip()
+        for prefix in ["quận ", "huyện ", "tỉnh ", "thành phố ", "tp. ", "tp "]:
+            clean = clean.replace(prefix, "")
+        clean = clean.strip()
+
+        if not clean:
+            return "Vui lòng cho em biết khu vực bạn muốn tìm cửa hàng CANIFA (ví dụ: Hoàng Mai, Cầu Giấy, Đà Nẵng...)."
+
+        # Search trên các cột structured: city, state, address, store_name
+        sql = f"""
+        SELECT store_name, address, city, state, phone_number, 
+               schedule_name, time_open_today, time_close_today
+        FROM {STORE_TABLE}
+        WHERE LOWER(city) LIKE '%{clean}%'
+           OR LOWER(state) LIKE '%{clean}%'
+           OR LOWER(address) LIKE '%{clean}%'
+           OR LOWER(store_name) LIKE '%{clean}%'
+        ORDER BY state, city, store_name
+        LIMIT 20
+        """
+
+        results = await sr.execute_query_async(sql)
+        logger.info(f"📊 Store search: {len(results)} stores found for '{location}'")
+
+        if not results:
+            return f"Không tìm thấy cửa hàng CANIFA tại khu vực '{location}'. Khách hàng có thể liên hệ hotline 1800 6061 để được hỗ trợ tìm cửa hàng gần nhất."
+
+        # Format kết quả rõ ràng cho LLM
+        lines = []
+        for r in results:
+            name = r.get("store_name", "")
+            addr = r.get("address", "")
+            city = r.get("city", "")
+            state = r.get("state", "")
+            phone = r.get("phone_number", "")
+            schedule = r.get("schedule_name", "")
+            t_open = r.get("time_open_today", "")
+            t_close = r.get("time_close_today", "")
+
+            store_info = f"🏪 {name}\n"
+            store_info += f"   📍 Địa chỉ: {addr}"
+            if city:
+                store_info += f", {city}"
+            if state:
+                store_info += f", {state}"
+            store_info += f"\n   📞 ĐT: {phone}"
+            store_info += f"\n   🕐 Lịch: {schedule}"
+            if t_open and t_close:
+                store_info += f" (Hôm nay: {t_open}-{t_close})"
+            lines.append(store_info)
+
+        return f"Tìm thấy {len(results)} cửa hàng CANIFA tại khu vực '{location}':\n\n" + "\n\n".join(lines)
+
+    except Exception as e:
+        logger.error(f"❌ Error in canifa_store_search: {e}")
+        return "Tôi đang gặp khó khăn khi tìm kiếm cửa hàng. Bạn có thể liên hệ hotline 1800 6061 để được hỗ trợ."
+
+
+canifa_store_search.__doc__ = read_tool_prompt("store_search_tool") or canifa_store_search.__doc__

backend/api/prompt_route.py

 from fastapi import APIRouter, HTTPException, Request
 from pydantic import BaseModel
 
-from agent.prompt_utils import get_system_prompt_template, LANGFUSE_SYSTEM_PROMPT_NAME, _get_langfuse
+from agent.prompt_utils import get_system_prompt_template, force_refresh_prompts, LANGFUSE_SYSTEM_PROMPT_NAME, _get_langfuse
+from agent.graph import reset_chain_cache
 
 router = APIRouter()
 
@@ -46,3 +47,21 @@ async def update_system_prompt_content(request: Request, body: PromptUpdateReque
         }
     except Exception as e:
         raise HTTPException(status_code=500, detail=str(e))
+
+
+@router.post("/api/prompt/refresh")
+async def refresh_prompt_cache(request: Request):
+    """Force refresh all prompt caches immediately.
+    Call this after updating prompts on Langfuse to take effect right away.
+    """
+    try:
+        # 1) Force refresh Langfuse SDK cache (all prompts)
+        force_refresh_prompts()
+        # 2) Clear graph chain cache so it rebuilds with new prompt
+        reset_chain_cache()
+        return {
+            "status": "success",
+            "message": "All prompt caches refreshed. Next request will use the latest prompts.",
+        }
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=str(e))

backend/readme.md

-# CANIFA Chatbot API Documentation
-
-API hệ thống chatbot tư vấn thời trang CANIFA - CiCi Assistant.
-
-## Base URL
-```
-http://localhost:8000
-```
-
----
-
-## API Endpoints
-
-### 1. Chat với Chatbot
-
-**Endpoint:** `POST /chat`
-
-**Mô tả:** Gửi tin nhắn tới chatbot và nhận phản hồi tư vấn thời trang cùng danh sách sản phẩm liên quan.
-
-#### Request Body
-
-```json
-{
-  "user_id": "string",
-  "user_query": "string"
-}
-```
-
-**Parameters:**
-| Field | Type | Required | Mô tả |
-|-------|------|----------|-------|
-| `user_id` | string | ✅ | ID định danh người dùng (dùng để lưu lịch sử chat) |
-| `user_query` | string | ✅ | Nội dung tin nhắn của người dùng |
-
-**Ví dụ Request:**
-```json
-{
-  "user_id": "user_12345",
-  "user_query": "Cho em xem áo sơ mi nam dưới 5a00k"
-}
-```
-
-#### Response
-
-**Success Response (200 OK):**
-
-```json
-{
-  "status": "success",
-  "ai_response": "string",
-  "product_ids": ["string"]
-}
-```
-
-**Response Fields:**
-| Field | Type | Mô tả |
-|-------|------|-------|
-| `status` | string | Trạng thái xử lý request (`"success"` hoặc `"error"`) |
-| `ai_response` | string | Câu trả lời của chatbot (văn bản tư vấn) |
-| `product_ids` | array[string] | Danh sách mã sản phẩm được đề xuất (internal_ref_code) |
-
-**Ví dụ Response:**
-```json
-{
-  "status": "success",
-  "ai_response": "Em chào anh! Em đã tìm thấy một số mẫu áo sơ mi nam đẹp trong tầm giá dưới 500k:\n\n1. Áo Sơ Mi Nam Cotton - 399.000đ\n2. Áo Sơ Mi Slim Fit - 449.000đ\n\nCác sản phẩm này đều là chất liệu cotton thoáng mát, phù hợp cho mùa hè ạ!",
-  "product_ids": ["SM12345", "SM12346"]
-}
-```
-
-**Error Response (500 Internal Server Error):**
-```json
-{
-  "status": "error",
-  "ai_response": "Xin lỗi, đã có lỗi xảy ra. Vui lòng thử lại sau.",
-  "product_ids": []
-}
-```
-
----
-
-### 2. Lấy Lịch Sử Chat
-
-**Endpoint:** `GET /history/{user_id}`
-
-**Mô tả:** Lấy lịch sử chat của người dùng với phân trang cursor-based.
-
-#### Path Parameters
-
-| Parameter | Type | Required | Mô tả |
-|-----------|------|----------|-------|
-| `user_id` | string | ✅ | ID người dùng cần lấy lịch sử |
-
-#### Query Parameters
-
-| Parameter | Type | Required | Default | Mô tả |
-|-----------|------|----------|---------|-------|
-| `limit` | integer | ❌ | 50 | Số lượng tin nhắn tối đa mỗi trang (1-100) |
-| `before_id` | integer | ❌ | null | ID của tin nhắn để lấy các tin nhắn trước đó (dùng cho phân trang) |
-
-**Ví dụ Request:**
-```
-GET /history/user_12345?limit=20&before_id=150
-```
-
-#### Response
-
-**Success Response (200 OK):**
-
-```json
-{
-  "data": [
-    {
-      "id": 149,
-      "user_id": "user_12345",
-      "message": "Cho em xem áo sơ mi nam",
-      "is_human": true,
-      "timestamp": "2025-12-25T14:30:00"
-    },
-    {
-      "id": 148,
-      "user_id": "user_12345",
-      "message": "Em đã tìm thấy một số mẫu áo sơ mi nam đẹp...",
-      "is_human": false,
-      "timestamp": "2025-12-25T14:30:02"
-    }
-  ],
-  "next_cursor": 130
-}
-```
-
-**Response Fields:**
-| Field | Type | Mô tả |
-|-------|------|-------|
-| `data` | array[object] | Danh sách tin nhắn chat (sắp xếp từ mới → cũ) |
-| `data[].id` | integer | ID duy nhất của tin nhắn |
-| `data[].user_id` | string | ID người dùng |
-| `data[].message` | string | Nội dung tin nhắn |
-| `data[].is_human` | boolean | `true` = tin nhắn của người dùng, `false` = tin nhắn của bot |
-| `data[].timestamp` | string | Thời gian gửi tin nhắn (ISO 8601 format) |
-| `next_cursor` | integer \| null | ID của tin nhắn cuối cùng (dùng làm `before_id` cho request tiếp theo). `null` nếu hết dữ liệu |
-
----
-
-## Phân Trang (Pagination)
-
-API sử dụng **cursor-based pagination** để lấy lịch sử chat:
-
-### Cách hoạt động:
-
-1. **Request đầu tiên** - Lấy 20 tin nhắn mới nhất:
-   ```
-   GET /history/user_12345?limit=20
-   ```
-   Response:
-   ```json
-   {
-     "data": [...], // 20 tin nhắn (ID: 200 → 181)
-     "next_cursor": 181
-   }
-   ```
-
-2. **Request tiếp theo** - Lấy 20 tin nhắn cũ hơn:
-   ```
-   GET /history/user_12345?limit=20&before_id=181
-   ```
-   Response:
-   ```json
-   {
-     "data": [...], // 20 tin nhắn (ID: 180 → 161)
-     "next_cursor": 161
-   }
-   ```
-
-3. **Request cuối cùng** - Khi hết dữ liệu:
-   ```json
-   {
-     "data": [...], // 5 tin nhắn còn lại
-     "next_cursor": null
-   }
-   ```
-
-### Logic phân trang:
-- `next_cursor` luôn là **ID của tin nhắn cuối cùng** trong `data`
-- Dùng `next_cursor` làm `before_id` cho request tiếp theo
-- Khi `next_cursor = null` → đã hết dữ liệu
-
----
-
-## Chat Workflow
-
-```mermaid
-graph LR
-    A[User gửi message] --> B[POST /chat]
-    B --> C{Agent xử lý}
-    C --> D[Tìm kiếm sản phẩm]
-    C --> E[Trả lời tư vấn]
-    D --> F[Trích xuất product_ids]
-    E --> F
-    F --> G[Response: ai_response + product_ids]
-    G --> H[Lưu vào PostgreSQL]
-    H --> I[Trả về client]
-```
-
-### Quy trình xử lý:
-1. User gửi tin nhắn qua API `/chat`
-2. Hệ thống agent phân tích intent
-3. Nếu cần tìm sản phẩm → Gọi `data_retrieval_tool` với tham số phù hợp
-4. Agent tổng hợp thông tin → Trả lời tư vấn
-5. Trích xuất `product_ids` từ kết quả tìm kiếm
-6. Lưu lịch sử chat vào PostgreSQL (background task)
-7. Trả về JSON với `ai_response` và `product_ids`
-
----
-
-## Error Handling
-
-### Error Response Format
-
-```json
-{
-  "status": "error",
-  "ai_response": "Mô tả lỗi hoặc thông báo fallback",
-  "product_ids": []
-}
-```
-
-### HTTP Status Codes
-
-| Code | Ý nghĩa | Khi nào xảy ra |
-|------|---------|----------------|
-| 200 | OK | Request thành công |
-| 400 | Bad Request | Thiếu `user_id` hoặc `user_query` |
-| 500 | Internal Server Error | Lỗi hệ thống (database, LLM, ...) |
-
----
-
-## Ví Dụ Sử Dụng
-
-### Python
-```python
-import requests
-
-# Chat với bot
-response = requests.post("http://localhost:8000/chat", json={
-    "user_id": "user_12345",
-    "user_query": "Cho em xem váy đầm dự tiệc dưới 1 triệu"
-})
-
-data = response.json()
-print(f"Bot: {data['ai_response']}")
-print(f"Sản phẩm: {data['product_ids']}")
-
-# Lấy lịch sử chat
-history = requests.get("http://localhost:8000/history/user_12345?limit=10")
-messages = history.json()["data"]
-for msg in messages:
-    sender = "User" if msg["is_human"] else "Bot"
-    print(f"{sender}: {msg['message']}")
-```
-
-### JavaScript (Fetch API)
-```javascript
-// Chat với bot
-const response = await fetch('http://localhost:8000/chat', {
-  method: 'POST',
-  headers: { 'Content-Type': 'application/json' },
-  body: JSON.stringify({
-    user_id: 'user_12345',
-    user_query: 'Cho em xem áo khoác nữ'
-  })
-});
-
-const data = await response.json();
-console.log('Bot:', data.ai_response);
-console.log('Products:', data.product_ids);
-
-// Lấy lịch sử chat (phân trang)
-let cursor = null;
-const allMessages = [];
-
-do {
-  const url = cursor 
-    ? `http://localhost:8000/history/user_12345?limit=50&before_id=${cursor}`
-    : `http://localhost:8000/history/user_12345?limit=50`;
-  
-  const historyResponse = await fetch(url);
-  const { data: messages, next_cursor } = await historyResponse.json();
-  
-  allMessages.push(...messages);
-  cursor = next_cursor;
-} while (cursor !== null);
-
-console.log(`Tổng số tin nhắn: ${allMessages.length}`);
-```
-
-### cURL
-```bash
-# Chat với bot
-curl -X POST "http://localhost:8000/chat" \
-  -H "Content-Type: application/json" \
-  -d '{
-    "user_id": "user_12345",
-    "user_query": "Cho em xem giày thể thao nam"
-  }'
-
-# Lấy lịch sử chat
-curl "http://localhost:8000/history/user_12345?limit=20"
-
-# Lấy trang tiếp theo
-curl "http://localhost:8000/history/user_12345?limit=20&before_id=150"
-```
-
----
-
-## Notes
-
-### 1. Product IDs
-- `product_ids` trả về danh sách `internal_ref_code` (mã sản phẩm nội bộ)
-- Frontend có thể dùng để hiển thị carousel sản phẩm hoặc link đến trang chi tiết
-- Nếu không tìm thấy sản phẩm → `product_ids = []`
-
-### 2. Conversation History
-- Lịch sử chat được lưu tự động sau mỗi cuộc hội thoại (background task)
-- Dữ liệu lưu trong PostgreSQL với index trên `user_id` và `id`
-- Sắp xếp theo thứ tự mới nhất → cũ nhất
-
-### 3. Rate Limiting
-- Hiện tại chưa có rate limiting
-- Khuyến nghị implement rate limit khi deploy production
-
-### 4. Authentication
-- Hiện tại API không yêu cầu authentication
-- `user_id` do client tự generate và gửi lên
-- Khuyến nghị: Tích hợp Clerk Auth hoặc JWT token cho production
-
----
-
-## Environment Variables
-
-```bash
-# PostgreSQL
-POSTGRES_HOST=localhost
-POSTGRES_PORT=5432
-POSTGRES_DB=chatbot_db
-POSTGRES_USER=postgres
-POSTGRES_PASSWORD=your_password
-
-# OpenAI
-OPENAI_API_KEY=sk-...
-
-# StarRocks (Vector Database)
-STARROCKS_HOST=localhost
-STARROCKS_PORT=9030
-STARROCKS_USER=root
-STARROCKS_PASSWORD=your_password
-STARROCKS_DB=chatbot_products
-
-# Server
-PORT=8000
-HOST=0.0.0.0
-```
-
----
-
-## Testing
-
-Truy cập `http://localhost:8000/static/index.html` để test chatbot qua UI đơn giản.

backend/tests/test_embedding_typo.py

+"""Test: Kiểm tra embedding search có match được sai chính tả không"""
+import asyncio, json, sys, os
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+
+from common.embedding_service import create_embedding_async
+from common.starrocks_connection import get_db_connection
+
+output_lines = []
+
+async def search_products(query_text, sr):
+    v = await create_embedding_async(query_text)
+    if not v:
+        output_lines.append("  ERROR: embedding failed")
+        return
+    v_str = "[" + ",".join(str(x) for x in v) + "]"
+    sql = f"""
+    SELECT magento_ref_code, product_name, master_color, gender_by_product, age_by_product,
+        approx_cosine_similarity(vector, {v_str}) as score
+    FROM shared_source.magento_product_dimension_with_text_embedding
+    ORDER BY score DESC LIMIT 5
+    """
+    rows = await sr.execute_query_async(sql)
+    for i, r in enumerate(rows):
+        line = f"  #{i+1} [score={r.get('score','?'):.4f}] {r['magento_ref_code']} | {r['product_name']} | {r.get('master_color','')} | {r.get('gender_by_product','')}/{r.get('age_by_product','')}"
+        output_lines.append(line)
+
+async def main():
+    sr = get_db_connection()
+    tests = [
+        "Ao khoac tran bong cho tre em",
+        "Ao khoac chan bong cho tre em",
+        "Ao khoac chan bong",
+    ]
+    for query in tests:
+        output_lines.append("=" * 80)
+        output_lines.append(f"QUERY: '{query}'")
+        output_lines.append("-" * 80)
+        await search_products(query, sr)
+        output_lines.append("")
+
+loop = asyncio.new_event_loop()
+asyncio.set_event_loop(loop)
+try:
+    loop.run_until_complete(main())
+finally:
+    loop.close()
+
+# Write output with UTF-8
+out_path = os.path.join(os.path.dirname(__file__), "test_output.txt")
+with open(out_path, "w", encoding="utf-8") as f:
+    f.write("\n".join(output_lines))
+print(f"Output written to {out_path}")

backend/tests/test_knowledge_output.txt

+QUERY: 'có cửa hàng bên quận hoàng mai shop ơi'  →  KEYWORDS: ['hoàng', 'mai']
+  AND: 4 rows   |   OR: 19 rows
+
+QUERY: 'cửa hàng quận Hoàng Mai'  →  KEYWORDS: ['hoàng', 'mai']
+  AND: 4 rows   |   OR: 19 rows
+
+QUERY: 'Canifa ở Cầu Giấy địa chỉ ở đâu?'  →  KEYWORDS: ['cầu', 'giấy']
+  AND: 10 rows   |   OR: 40 rows
+
+QUERY: 'bảng size áo nam'  →  KEYWORDS: ['áo', 'nam']
+  AND: 4 rows   |   OR: 76 rows

backend/tests/test_knowledge_search.py

+"""Check Hoàng Mai in store table"""
+import asyncio, sys, os
+sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
+from common.starrocks_connection import get_db_connection
+
+async def main():
+    sr = get_db_connection()
+    rows = await sr.execute_query_async("""
+        SELECT store_name, address, city, state, phone_number, schedule_name
+        FROM shared_source.chatbot_rsa_store_schedule_with_text_embedding
+        WHERE LOWER(city) LIKE '%hoàng mai%' 
+           OR LOWER(address) LIKE '%hoàng mai%' 
+           OR LOWER(store_name) LIKE '%hoàng mai%'
+    """)
+    print(f"Found: {len(rows)}")
+    for r in rows:
+        print(r)
+
+    # Also check Phúc Yên
+    print("\n=== PHÚC YÊN ===")
+    rows2 = await sr.execute_query_async("""
+        SELECT store_name, address, city, state
+        FROM shared_source.chatbot_rsa_store_schedule_with_text_embedding
+        WHERE LOWER(city) LIKE '%phúc yên%' OR LOWER(state) LIKE '%vĩnh phúc%'
+    """)
+    print(f"Found: {len(rows2)}")
+    for r in rows2:
+        print(r)
+
+loop = asyncio.new_event_loop()
+asyncio.set_event_loop(loop)
+try:
+    loop.run_until_complete(main())
+finally:
+    loop.close()

backend/tests/test_output.txt

+================================================================================
+QUERY: 'Ao khoac tran bong cho tre em'
+--------------------------------------------------------------------------------
+  #1 [score=0.4786] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Xám/ Gray | unisex/kid
+  #2 [score=0.4713] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Xanh da trời/ Blue | unisex/kid
+  #3 [score=0.4685] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Trắng/ White | unisex/kid
+  #4 [score=0.4684] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Hồng/ Pink- Magenta | unisex/kid
+  #5 [score=0.4677] 3TS25C001 | Áo phông unisex trẻ em có hình in đứng phom | Xanh da trời/ Blue | unisex/kid
+
+================================================================================
+QUERY: 'Ao khoac chan bong cho tre em'
+--------------------------------------------------------------------------------
+  #1 [score=0.4885] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Xám/ Gray | unisex/kid
+  #2 [score=0.4822] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Xanh da trời/ Blue | unisex/kid
+  #3 [score=0.4803] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Đen/ Black | unisex/kid
+  #4 [score=0.4779] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Trắng/ White | unisex/kid
+  #5 [score=0.4744] 3OT25W001 | Áo khoác chần bông unisex trẻ em chống thấm nước | Hồng/ Pink- Magenta | unisex/kid
+
+================================================================================
+QUERY: 'Ao khoac chan bong'
+--------------------------------------------------------------------------------
+  #1 [score=0.5110] 8OT25W016 | Áo khoác chần bông nam chống thấm nước | Xanh da trời/ Blue | men/adult
+  #2 [score=0.5093] 8OT25W016 | Áo khoác chần bông nam chống thấm nước | Xám/ Gray | men/adult
+  #3 [score=0.5053] 8OT25W016 | Áo khoác chần bông nam chống thấm nước | Đen/ Black | men/adult
+  #4 [score=0.5050] 8OT25W016 | Áo khoác chần bông nam chống thấm nước | Be/ Beige | men/adult
+  #5 [score=0.4976] 2OT25C004-SK010 | Áo khoác chần bông bé trai chống thấm nước | Đen/ Black | boy/kid